DESENVOLVIMENTO E AVALIAÇÃO DO SOFTWARE QUANT PARA ... · ix RESUMO LIBERATO, José Ricardo, D.S....

JOSÉ RICARDO LIBERATO

DESENVOLVIMENTO E AVALIAÇÃO DO SOFTWARE QUANT PARA

QUANTIFICAÇÃO DE DOENÇAS DE PLANTAS POR ANÁLISE DE

IMAGENS

Tese apresentada à Universidade

Federal de Viçosa, como parte das

exigências do Programa de Pós-

Graduação em Fitopatologia, para

obtenção do título de Doctor Scientiae.

VIÇOSA

MINAS GERAIS - BRASIL

2003

ii

JOSÉ RICARDO LIBERATO

DESENVOLVIMENTO E AVALIAÇÃO DO SOFTWARE QUANT PARA

QUANTIFICAÇÃO DE DOENÇAS DE PLANTAS POR ANÁLISE DE

IMAGENS

Tese apresentada à Universidade

Federal de Viçosa, como parte das

exigências do Programa de Pós-

Graduação em Fitopatologia, para

obtenção do título de Doctor Scientiae.

APROVADA: 05 de dezembro de 2003.

Prof. Luiz Antônio Maffia Dr. Waldir Cintra de Jesus Junior

Prof. Elpídio Inácio Fernandes Filho

(Conselheiro)

Prof. Francisco de Assis Carvalho Pinto

(Conselheiro)

Prof. Francisco Xavier Ribeiro do Vale

(Orientador)

iii

Dedico à minha mãe, Olgany (1939-2003),

in memoriam.

iv

AGRADECIMENTOS

A Deus, por tudo.

À minha esposa Selma e a meus filhos, Marina e Matheus, pelo amor,

compreensão e apoio.

Aos vicentinos de Viçosa, que foram para mim, exemplos de fé, humildade e

amor a Deus e ao próximo.

Ao grupo de oração do departamento, especialmente a José Heleno, Macabeu,

Sueli e Dora, por nossas orações diárias.

Às mulheres que trabalharam em minha residência, especialmente à Ana e à

Maria Aparecida.

Ao prof. Francisco Xavier Ribeiro do Vale, pela amizade, incentivo e orientação.

A todos os demais professores do Departamento de Fitopatologia, pelos

ensinamentos, pela amizade e pela convivência.

Ao prof. Elpídio Inácio F. Filho, pela co-orientação, pelo incentivo e por ter escrito

o software Quant.

Ao prof. Francisco de Assis Carvalho Pinto, pelo apoio.

Aos amigos que me ajudaram com os trabalhos da tese, Cristian Alves de

Souza, Antônio Joaquim Macabeu, Alisson Honorato Dias, Mauro Rossoni, Pedro

Henrique Rodrigues, José Roberto Vieira Júnior, Sergio Avelino M. Nobre, Danilo I.

Vera Coelho, Max Lenine Rezende de Oliveira e Janilson Rocha.

À Flávia Vieira Correa, pela ajuda nas correções do software QUANT.

v

Aos demais colegas do laboratório de Epidemiologia e Controle, pela agradável

convivência, Kelly, Gisele, Alessandra e Waldir.

A todos os funcionários do Departamento de Fitopatologia.

A todos os colegas do curso de pós-graduação em Fitopatologia.

A todos os professores e colegas de trabalho que contribuíram para meu

crescimento profissional, em especial ao prof. Cláudio H. Bruckner, meu orientador de

iniciação científica, ao prof. Luiz Antônio Maffia, que me ensinou os primeiros

caminhos da Fitopatologia, ao prof. Francisco Xavier Ribeiro do Vale, pela orientação

nos cursos de mestrado e doutorado, ao prof. Laércio Zambolim, ao Dr. Hélcio Costa,

colega de trabalho na Emcapa, ao prof. Cosme Damião Cruz, ao prof. Adair José

Regazzi, ao prof. Robert Weingart Barreto e ao prof. Silvaldo Felipe da Silveira, com

quem trabalhei na Universidade Estadual do Norte Fluminense.

A todos que de alguma forma contribuíram para que eu minha família fôssemos

felizes durante esses últimos anos em Viçosa.

vi

BIOGRAFIA

José Ricardo Liberato, natural de Colatina – ES, graduou-se em Agronomia, na

Universidade Federal de Viçosa, em 1990. Concluiu o curso de Mestrado em

Fitopatologia, em 1994, na mesma universidade. Trabalhou como pesquisador na

extinta Emcapa (Empresa Capixaba de Pesquisa Agropecuária), de 1992 a 1994, e na

UENF (Universidade Estadual do Norte Fluminense), de 1995 a 1999. Em agosto de

1999, iniciou o curso de doutorado em Fitopatologia.

vii

ÍNDICE

Página

RESUMO ix

ABSTRACT xii

INTRODUÇÃO GERAL 01

CAPÍTULO 1

AVALIAÇÃO DA ACURÁCIA E PRECISÃO DO SOFTWARE QUANT NA MENSURAÇÃO DE ÁREAS EM IMAGENS DIGITAIS 07 RESUMO 07

ABSTRACT 08

INTRODUÇÃO 09

MATERIAL E MÉTODOS 12

RESULTADOS E DISCUSSÃO 23

CAPÍTULO 2

AVALIAÇÃO DA INTENSIDADE DE INJÚRIAS POR INSETO EM FOLHAS DE PIMENTÃO COM O USO DO SOFTWARE QUANT

36

RESUMO 36

ABSTRACT 37

INTRODUÇÃO 38



viii

CAPÍTULO 3

AVALIAÇÃO DA INTENSIDADE DE MANCHA DE CERCOSPORA EM FOLHAS DE CAFEEIRO COM O USO DO SOFTWARE QUANT

54

RESUMO 54

ABSTRACT 55

INTRODUÇÃO 57



CONCLUSÕES GERAIS 91

REFERÊNCIAS BIBLIOGRÁFICAS 94

ANEXO

DESENVOLVIMENTO DO SOFTWARE QUANT 102

ix

RESUMO LIBERATO, José Ricardo, D.S. Universidade Federal de Viçosa, dezembro de 2003.

Desenvolvimento e avaliação do software QUANT para quantificação de doenças de plantas por análise de imagens. Orientador: Francisco Xavier Ribeiro do Vale. Conselheiros: Elpídio Inácio Fernandes Filho e Francisco de Assis Carvalho Pinto.

Foi desenvolvido o software QUANT para processamento, segmentação e

mensuração em imagens digitais. Realizaram-se três estudos para avaliar a acurácia e

precisão do QUANT. No primeiro estudo, três experimentos foram conduzidos com

imagens obtidas por meio de um digitalizador de imagens tipo mesa (scanner). No

primeiro, imagens de um disco de metal de 50 cm2 foram obtidas em diferentes

posições no scanner e em seis resoluções (75 a 300 dpi). No segundo experimento

foram utilizadas imagens com resolução de 75 a 300 dpi, de oito botões redondos com

área conhecida (0,5 a 5,1 cm2), e no terceiro, imagens digitalizadas a 100 e 300 dpi,

de 40 diagramas de papel com tamanho aproximado de 50 cm2. Cada diagrama

apresentava de um a 40 orifícios circulares e de mesmo tamanho. Em todos os três

experimentos, as imagens foram processadas pelo software QUANT e as áreas do

disco de metal, dos botões, dos diagramas de papel e de seus orifícios foram

segmentadas e mensuradas. No primeiro experimento, as áreas foram segmentadas

pelo procedimento de intervalo de coordenadas de cores. No segundo e terceiro

experimentos, utilizou-se o procedimento de seleção de áreas do QUANT. As áreas

também foram mensuradas com o uso do medidor de área da Li-cor, modelo LI –

3100. No primeiro experimento, o QUANT apresentou acurácia de 98,7% para

x

imagens com 200 dpi e acurácia superior a 99,7% para as imagens nas demais

resoluções. No segundo experimento, O QUANT apresentou acurácia superior a 98%

e precisão de 99,99%. No terceiro experimento, na estimativa das áreas dos orifícios,

o QUANT apresentou acurácia de 98,4% e o medidor de área, 87%. Esses resultados

evidenciam que o QUANT possui alto potencial de uso na segmentação e mensuração

de áreas em imagens digitais.

No segundo estudo, foram avaliadas a acurácia e a precisão do software

QUANT na mensuração da área foliar total, da área desfolhada (consumida) e da

severidade da desfolha (percentagem da área foliar desfolhada) por besouros

crisomelídeos, em 99 folhas de pimentão (Capsicum annuum), usando imagens

digitais, com resolução de 100 e 300 dpi. Também foram feitas mensurações com o

medidor de área Li-cor modelo LI-3100, por meio de estimativa visual por seis

avaliadores. A área desfolhada também foi estimada por dois avaliadores observando-

se as imagens digitais obtidas com papel milimetrado como fundo, por meio de

contagem direta de cada quadrado de 1mm2 de área. A resolução da imagem não

afetou as estimativas de área pelo QUANT. As estimativas de área com o uso do

QUANT e com o LI-3100 apresentaram concordância de 97,8%, 77,0% e 80,8%, para

área foliar, área desfolhada e severidade, respectivamente. Compararam-se as

mensurações de área desfolhada do QUANT e do LI-3100 com mensurações

realizadas por dois avaliadores, por meio de contagem de quadrículas em papel

milimetrado. O QUANT apresentou maior acurácia (89,0 a 93,1%) e precisão (97,0%)

que o medidor de área foliar, o qual apresentou acurácia de 86 a 88% e precisão de

77%. Todos os seis avaliadores visuais superestimaram a severidade. Apenas um

avaliador apresentou alta acurácia (92%). A precisão dos avaliadores variou de 22,3 a

92,1%.

No terceiro estudo, utilizaram-se diferentes procedimentos do software QUANT

na mensuração da área foliar total, da área lesionada e da severidade da mancha

parda (Cercospora coffeicola) em 58 folhas de cafeeiro (Coffea arabica), usando

imagens digitais, com resolução de 150 dpi. A severidade foi estimada visualmente por

cinco avaliadores. A área lesionada foi mensurada com o medidor de área Li-cor

modelo LI-3100 e por meio de contagem direta observando-se as imagens digitais

obtidas com papel milimetrado como fundo. Para tanto, as lesões foram previamente

retiradas da folha com o auxilio de um bisturi. As estimativas de áreas com o

procedimento de seleção de áreas com a varinha mágica foi arbitrariamente

considerado o padrão do QUANT. Essas estimativas de área foliar apresentaram

99,3% de concordância com as do LI-3100. Nas estimativas das áreas lesionadas,

quando comparados com o método do papel milimetrado, o QUANT apresentou

xi

acurácia de 97,9% e o LI 3100, de 83,7%. Imagens com contraste previamente

alterado, segundo três protocolos, tiveram as áreas foliares estimadas por meio de três

procedimentos do QUANT, que quando comparados com o procedimento padrão,

apresentaram acurácia de 98,6 a 100% e precisão de 99,99%. Com relação à área

lesionada, os procedimentos de limiar preto e branco, função discriminante e redução

para 32 cores, apresentaram alta acurácia (96,6 a 99,6%) e precisão (≥ 99,3%). Nas

estimativas de severidade o procedimento de redução para 32 cores apresentou

acurácia superior a 99%, enquanto as função discriminantes e o intervalo de

coordenadas de cores apresentaram acurácia inferior. As estimativas de severidade

do QUANT (padrão) não apresentaram boa concordância com as do medidor de área

foliar LI-3100. Dos cinco avaliadores que estimaram visualmente a severidade de

doença, somente um apresentou acurácia (97%) e precisão (94%) elevadas. Quatro

usuários do QUANT estimaram área foliar em 16 folhas, usando o procedimento de

seleção de área com a varinha mágica, obtendo acurácia superior a 99%. Três

usuários estimaram área lesionada usando este procedimento, e também o

procedimento de limiarização, obtendo acurácia entre 96 e 98%. O QUANT

disponibiliza vários algoritmos para melhorar o contraste da imagem, Com isso,

mesmo os sintomas de doenças onde o sistema visual humano tem dificuldade de

distinguir entre área foliar sadia e doente, podem ser quantificados com o uso do

QUANT. Propõe-se que o QUANT seja adotado como padrão na mensuração de

severidade de doenças de plantas e área foliar injuriada (consumida) por insetos.

Palavras-chaves: imagens digitais, fitopatometria, herbivoria.

xii

ABSTRACT LIBERATO, José Ricardo, D.S. Universidade Federal de Viçosa, December 2003.

Development and evaluation of the software QUANT for quantification plant disease by image analysis. Adviser: Francisco Xavier Ribeiro do Vale. Committee members: Elpídio Inácio Fernandes Filho and Francisco de Assis Carvalho Pinto.

The software QUANT was developed for processing, segmentation and

mensuration in digital images. It was accomplished three set of trials to evaluate the

accuracy and precision of the QUANT. In the first trial set, images were obtained

through a scanner. In the first trial, images of a steel disk of 50 cm2 were obtained in

different positions on the scanner and with six resolutions (75 to 300 dpi). In the second

trial, images of eight round buttons with known area (0.5 to 5.1 cm2) had resolutions

from 75 to 300 dpi, and in the third trial, images at 100 and 300 dpi, of 40 diagrams of

paper, each having from one to 40 rounded holes. In all trials, the images were

processed by the software QUANT and the areas of the metal disk, buttons, diagrams,

and of the holes were segmented and measured. In the first trial, the areas were

segmented by the procedure of interval of coordinates of colour. In the second and

third trials, the procedure for selection of areas was used. The areas were also

measured with the area meter Li-cor, model LI-3100. In the first trail, QUANT showed

accuracy of 98.7% for images with 200 dpi and � 99.7% for others. In the second trial,

QUANT showed accuracy of 98%. In the third experiment, in the estimate of the areas

of the holes, QUANT showed accuracy of 98.4% and the area meter, 87%. The results

xiii

have evidenced that the QUANT has high potential for segmentation and mensuration

of areas in digital images.

In the second trial set, It was evaluated the accuracy and precision of the

software QUANT in the mensuration of the foliar area, defoliated area for beetles and

of the severity (percentage of the eaten foliar area), in 99 leaves of green pepper

(Capsicum annuum), using digital images, at 100 and 300 dpi. Mensuration with the

area meter Li-cor, model LI-3100, and through visual estimate of six evaluators were

accomplished too. The defoliated area was also measured by two evaluators counting

on graph paper squared 1 mm. The image resolution didn't affect the mensuration by

QUANT. The mensuration by QUANT and by LI-3100 showed agreement of 97.8%,

77.0% and 80.8%, for foliar area, defoliated area and severity, respectively. The

mensuration of defoliated area by Quant and by LI-3100 were compared with

mensuration accomplished by two evaluators, through counting on graph paper

squared 1 mm. QUANT presented accuracy > 89 % and precision 97%. The LI-3100

showed accuracy > 86% and precision of 77%. All the six visual evaluators

overestimated the severity. Just an evaluator showed high accuracy (92%). The

evaluators’ precision varied from 22 to 92%.

In the third trial set, it was evaluated the accuracy and precision of the different

procedures of the software QUANT in the mensuration of the foliar area, diseased area

and severity of Cercospora leaf spot (Cercospora coffeicola) in 58 leaves of coffee

(Coffea arabica), using digital images at dpi. The severity was visually estimated by five

evaluators. The diseased area was estimated with the meter of area Li-cor model LI-

3100 and through direct counting being observed the digital images obtained with

graph paper squared 1 mm as bottom. The lesions were previously removed of the

leaf. The estimates of areas with the procedure selection of areas with the magic rod

were arbitrarily considered the standard of QUANT. These estimates of foliar area

showed 99,3% of agreement with the ones of the LI-3100. In the estimates of the

diseased areas, when compared with the method of the graph paper squared 1 mm,

QUANT and the LI-3100 showed accuracy of 97.9% and 83.7%, respectively. Images

with contrast previously challenged, according to three protocols, had the foliar areas

estimated by three procedures of QUANT, that when compared with the standard

procedure, they presented accuracy from 98.6 to 100% and precision of 99.99%. The

procedures of threshold, discriminant functions and reduction for 32 colours showed

high accuracy (96.6 to 99.6%) and precision (99.3%) on the estimations of diseased

area. Estimating severity, the procedure reduction for 32 colours showed higher

accuracy (99%) than discriminant functions and the interval of colour coordinates. The

standard estimates of severity by QUANT didn't show good agreement with the ones of

xiv

the LI-3100. Among five visual evaluators, only one showed high accuracy (97%) and

precision (94%). Four users of QUANT estimated foliar area in 16 leaves, using the

procedure of area selection with the magic rod, obtaining accuracy > 99%. Three users

estimated diseased area using this procedure, and also the threshold, obtaining

accuracy between 96 and 98%. QUANT makes available several algorithms to improve

the contrast of the image, which allow that, even the symptoms where the eye human

system has difficulty of distinguishing among healthy and diseased foliar area, they can

be quantified by QUANT. It is proposed that QUANT should be adopted as standard

method (golden method) in the mensuration of severity of plant diseases and defoliated

(eaten) foliar area.

Key words: herbivory, digital image, phytopathometry.

1

INTRODUÇÃO GERAL

A fitopatometria (Large, 1966) é a estimação da intensidade de doença presente

em um determinado tempo em uma população de plantas. Ela é tão importante para a

Fitopatologia que diversas revisões sobre esse tema foram feitas nas últimas quatro

décadas, por Large (1966), James (1974; 1983), Horsfall & Cowling (1978), Berger

(1980), Gaunt (1987), Kranz (1988) e Campbell & Madden (1990), dentre outros. A

quantificação da intensidade de doenças em conjunto com a quantificação da

produção permite avaliar o efeito das doenças na produção e, ou, qualidade do

produto (danos). Com informações sobre a importância das doenças pode-se definir

as prioridades de alocação de recursos para pesquisa científica, considerando a

importância da cultura para um Estado ou país, bem como definir a necessidade ou

não de medidas específicas de controle e prevenção.

A fitopatometria é indispensável a diversos estudos fitopatológicos, tais como o

levantamento de doenças em uma região, a comparação de resistência genética de

cultivares a doenças, a comparação da eficiência de fungicidas e suas doses ou de

práticas de manejo no controle de doenças. Também é necessária à determinação do

limiar de dano econômico de uma doença e do limiar de ação, ou seja, a tomada de

decisão no manejo de doenças em lavouras comerciais (James, 1983), a qual consiste

em determinar o momento de aplicação de medidas de controle (Silva & Jesus Junior,

2000; Zadoks, 2001; Shtienberg, 1995; Campbell & Madden, 1990), como é o caso do

critério recomendado para controle de algumas doenças do trigo, na região Sul do

Brasil (Reis, 1994).

Dependendo dos objetivos, a intensidade de doença pode ser quantificada uma

única vez ou várias vezes durante o ciclo da cultura. Uma epidemia pode ser definida

2

como um aumento, no tempo e espaço, na intensidade de doença em uma população

de plantas e, geralmente, é descrita com uma série de estimativas de intensidade de

doença ao longo do tempo. Plotando-se os valores de intensidade de doença versus o

tempo, obtêm-se uma curva de crescimento cumulativa (progresso de doença), a qual

resume os efeitos da planta hospedeira, do patógeno e do ambiente (Madden, 1986),

e de medidas de controle no desenvolvimento da epidemia. Assim, uma epidemia é

melhor compreendida quantificando-se seu progresso. A quantificação da intensidade

de doenças ao longo do tempo possibilita a análise matemática das epidemias

(Campbell & Madden, 1990; VanderPlank, 1963). A quantificação da doença ao longo

do espaço é fundamental para estudos sobre sua disseminação. Estudos relacionando

o progresso da doença e variáveis meteorológicas permitem desenvolver modelos de

previsão da doença, que podem ser usados para alertar aos produtores qual o

momento ideal para a realização da aplicação de fungicidas, como é o caso da sarna

da macieira no Sul do Brasil (Melzer & Berton, 1989).

A intensidade de doença pode ser mensurada como incidência, que é a

percentagem de plantas doentes, ou de suas partes na população; ou como

severidade, que é a percentagem da área ou do volume do tecido vegetal coberta com

sintomas. A estimação da incidência é mais simples, rápida e acurada, sendo usada

para doenças que afetem toda a planta, como o caso das viroses sistêmicas e das

murchas vasculares, ou para aquelas em que uma única lesão impede a

comercialização do produto, como a podridão dos frutos. A severidade é mais

apropriada para medir doenças foliares, como ferrugens, oídios, míldios e manchas

(Bergamin Filho & Amorim, 1996). Nesses casos, os danos, redução da produção,

muitas vezes são função da severidade.

Nas mensurações de severidade de doenças, o erro é a diferença entre o valor

estimado e o valor real. A acurácia é o complemento do erro (valor real menos o valor

absoluto do erro), expressa em percentagem em relação ao valor real. Precisão está

inversamente relacionada à variabilidade do erro. Quanto menor a variabilidade, maior

a precisão. Assim, podem-se ter medidas com baixa acurácia e alta precisão, mas não

o contrário. Quantificar objetivamente a severidade de doenças com acurácia é uma

tarefa difícil e que consome tempo. É impraticável contar e medir o tamanho de lesões

individuais em grandes amostras. Para tornar essa estimação rápida e prática, duas

estratégias têm sido tradicionalmente utilizadas: as chaves descritivas, que são

escalas de notas arbitrárias, e as escalas diagramáticas, que são representações

ilustradas de uma série de plantas ou de seus órgãos, principalmente folhas, com

diferentes níveis de severidade, que auxiliam o avaliador a estimar visualmente a

severidade da doença (Campbell & Madden, 1990; Amorim, 1995), muitas delas sendo

3

reunidas em compêndios (James, 1971; Azevedo, 1998). A primeira chave descritiva

foi elaborada por Cobb, em 1892, e a mais conhecida por Horsfall & Barratt (1945).

Também há escalas diagramáticas para doenças em frutos (Gupta & Pathak, 1990).

Mas, em alguns estudos, a intensidade da doença é avaliada pelo número de lesões

por fruto (Furman et al., 2003). Neste caso, se houver grande variação no tamanho

dos frutos e das lesões, essa variável não estimará acurada e precisamente a

severidade de doença.

Há alguns problemas nesses métodos subjetivos de quantificação da

severidade: a) a falta de padronização dos métodos e das chaves descritivas utilizadas

em diferentes estudos, o que preocupa até mesmo a indústria de fungicidas (Watson

et al., 1990), pois resultados obtidos de diferentes estudos não podem ser

comparados; b) muitas escalas diagramáticas são criadas sem considerar alguns

requisitos básicos, citados por Amorim & Bergamin Filho (1999), nem tem sua

adequabilidade avaliada, conforme descrito por Godoy et al. (1997); c) reduzidas

acurácia e precisão na estimação visual da severidade de doenças, mesmo por

avaliadores experimentados, têm sido relatadas por Smith et al. (1969), Sherwood et

al. (1983), Lindow & Webb (1983), Forbes & Jeger (1986), Shokes et al. (1987),

Beresford & Royle (1991), Carmo et al. (1991), Weber & Jorg (1991), Parker et al.

(1993, 1995), Giglioti & Canteri (1998), Martin & Rybicki (1998) e outros citados por

Kranz (1988).

Segundo Sherwood et al. (1983), em estimativas visuais de severidade, é

comum o avaliador superestimar duas a três vezes o valor real. Isto é mais

proeminente em baixos valores de severidade. Beresford & Royle (1991) constataram

que, para folhas de cevada com severidade de ferrugem, os avaliadores

superestimaram até 70 X, quando a severidade foi menor que 0,2%, e superestimaram

oito a dez vezes, quando as folhas apresentaram 0,6 a 20% de severidade. Segundo

Carmo et al. (1991), somente 10% dos avaliadores foram acurados e precisos. Parker

et al. (1995) constataram que os avaliadores apresentaram precisão variando entre

8% e 95%. As estimativas de um mesmo avaliador em diferentes ocasiões não foram

consistentes (Shokes et al., 1987; Nutter et al., 1993; Parker et al., 1995).

Diante dessas constatações, foram desenvolvidos alguns softwares para treinar

avaliadores de severidade de doenças, como o "Areagram" (Shane te al., 1985), o

“Distrain” (Tomerlin & Howell, 1988), o “Disease.Pro” (Nutter & Worawitlikit, 1989), o

"Estimate" (Weber & Jörg (1991), e o “Combro” (Giglioti & Canteri, 1998; Canteri &

Giglioti, 1999). Embora o treinamento aumente a acurácia das avaliações, segundo

Parker et al. (1993), há evidências que seus efeitos benéficos duram pouco tempo

4

após o treinamento. Além disso, esses softwares abrangem apenas algumas doenças

e as avaliações continuam subjetivas e variando entre avaliadores.

Portanto, a quantificação da severidade de doenças constitui-se o "calcanhar de

Aquiles" da epidemiologia. Tanto, que tem sido estudada a relação incidência-

severidade, sendo observada alta correlação entre incidência e severidade em

diversas doenças. Essa possibilidade é maior quando os valores de severidade

permanecem baixos (Seem, 1984). Baseado nessa associação em alguns poucos

casos, principalmente com ferrugens, foi possível definir a época de adoção de

medidas de controle (aplicação de fungicida) baseada na incidência da doença

(Edwards et al., 2000; Reis, 1994; Dillard & Seem, 1990; Brown & Holmes, 1983).

Para quantificar a severidade de doenças, é necessário estimar a área foliar e a

área lesionada da folha. A quantificação objetiva da área foliar tem sido realizada por

diferentes métodos: a) por meio de equações de regressão linear em função de

variáveis como largura e comprimento da folha (Barros & Maestri, 1973; Alfonsi et al.,

1974; Gomide et al., 1976; Garçon et al., 2001); b) por meio de pesagens de cópia

xerográfica ou heliográfica da folha (Silveira, 1972); e c) com o uso de medidores

eletrônicos de área foliar (Blanco et al., 1991; Urchei et al., 2000; Aguiar Netto et al.,

2000).

A área das lesões têm sido estimada com o uso de transparência milimetrada

colocada sobre a folha lesionada (Fernandes, 1988) ou obtendo-se cópia xerográfica

da folha e mensurando a área lesionada com o uso do planímetro ou por meio de

pesagens (Sherwood et al., 1983). A dimensão da lesão e sua expansão são

consideradas importantes componentes epidemiológicos (Berger et al., 1997) e têm

sido estimados pela mensuração do comprimento (C) e largura (L) da lesão e usando

a fórmula para obtenção da área da elipse (A): A = C x L / 4. A mensuração tem sido

feita com régua, paquímetro (Emge et al., 1975; Subbarao & Michailides, 1995) ou

com ocular micrométrica (Shaner, 1983). Beresford & Royle (1991), estimaram a área

de 270 urédias de Puccinia hordei em cevada, a partir de seu comprimento e largura.

A área média variou de 2,05 x 10-2 a 4,29 x 10-2 mm2. A área lesionada foi estimada

multiplicando o número de urédias na folha pela área média das urédias. Desta

maneira, quantificar objetivamente a severidade de doenças com acurácia é uma

tarefa difícil e que consome tempo. É impraticável contar e medir o tamanho de lesões

individuais em grandes amostras.

O processamento de imagens digitais foi iniciado quase concomitantemente com

a disponibilidade dos computadores, mas foi na década de 60 que os paradigmas e os

algoritmos para análise de imagens começaram a ser formulados (Rosenfeld, 2001).

Este trabalho restringe-se ao processamento de imagens digitais de folhas de plantas.

5

Técnicas de sensoriamento remoto consistem na medição ou aquisição de

informações de plantas ou de lavouras com o auxílio de aparelho registrador que não

entra em contato físico com a planta ou seus órgãos, tais como fotografia com filme

infravermelho, radiômetros e videografia, cujo uso foi ampliado nas duas últimas

décadas para quantificar intensidade de doenças (Jackson, 1986; Nilsson, 1995).

Essas técnicas, que detectam estresse da planta, mas normalmente não permitem

identificar sua causa, se biótica ou abiótica (Cooke, 1998), não serão abordadas neste

trabalho.

O processamento de imagens digitais tem sido aplicado em diferentes áreas da

ciência. Imagens digitais têm sido obtidas com o uso de digitalizadores (“scanner”),

câmera fotográfica ou câmera de vídeo. Em Fitopatologia, tem sido utilizado em

diferentes estudos, por exemplo: caracterização morfológica de fungos em cultura

(Pamboukian et al., 2002); quantificação de lipídios em nematóides (Stamps & Linit,

1995) e do número de juvenis de nematóides em suspensão (Bfen et al., 1996);

mensuração de nematóides (Atkinson et al., 1996), de micorrizas (Smith & Dickson,

1991) e do comprimento de tubos germinativos de fungos (Hilber & Schüepp, 1992),

avaliação da densidade de colônias fúngicas (Olsson, 1995), contagem de

microescleródios de Verticillium dahliae (Mol & Meijer, 1995), avaliação da

uniformidade de bicos de pulverização por análise de imagens do jato do bico (Zhang

et al., 1994), avaliação da deposição de agrotóxicos aplicados por pulverização

terrestre ou aérea, utilizando imagens digitais de cartões de papel sensível à água

(Smith et al., 1997; Chaim et al., 2002) ou imagens de folhas após aplicação de

fungicidas mais corante (Barber et al., 2003).

Alguns pesquisadores, com fins de elaboração de escalas, começaram a usar

imagens digitais para mensurar a severidade em diagramas (Stonehouse, 1994;

Falloon et al., 1995) ou em folhas doentes (Bacchi et al., 1992; Oliveira et al., 2001).

Leister et al. (1999) avaliaram a área foliar de todas as folhas de Arabidopsis thaliana

com o uso de imagens obtidas por câmera de vídeo acoplada a computador.

Sistemas de análise de imagens digitais têm sido usado para quantificar a

intensidade de algumas doenças (Lindow, 1983; Lindow & Webb, 1983; Sah &

Fehrmann, 1992; Kokko et al. 1993, 1995, 2000; Kampmann & Hansen, 1994; Todd, &

Kommedahl, 1994; Hood & Shew, 1996; Chungu et al., 1997; Tucker & Chakraborty,

1997, 2001; Martin & Rybicki, 1998; Ahmad et al., 1999; Niemira et al., 1999; Biernacki

& Bruton, 2001; Olmstead & Lang, 2001; Maruti et al., 2002; Pei et al., 2002; Berner &

Paxson, 2003; Díaz-Lago et al., 2003; Miller et al., 2003).

6

Os métodos para estimar a intensidade de doença devem ser de fácil uso, baixo

custo, rápidos, acurados, precisos, aplicáveis em ampla gama de condições e seus

resultados devem ser reproduzíveis. Sua descrição pormenorizada permite a adoção

por outros pesquisadores, de modo a facilitar a comparação entre resultados obtidos

em diferentes locais, por diferentes avaliadores.

O software QUANT está sendo desenvolvido desde 2000, com o objetivo

principal de quantificar severidade de doenças, a partir de imagens obtidas com

scanner ou câmeras digitais (Vale et al., 2001, 2003). Este estudo trata do

desenvolvimento desse software e da avaliação de sua acurácia e precisão na

estimativa de severidade de doenças e de injúrias causadas por inseto. Serão

apresentados quatro capítulos. No primeiro são apresentadas informações sobre o

software QUANT. O segundo refere-se ao estudo da acurácia e precisão do QUANT

na estimativa de áreas de objetos de tamanho conhecido; o terceiro, na estimativa de

severidade de injúria (desfolha) causada por insetos em folhas de pimentão; e o quarto

capítulo refere-se à avaliação do QUANT na estimativa de severidade de doenças,

utilizando como exemplo a mancha parda (Cercospora coffeicola Berk. & M.A. Curtis)

do cafeeiro (Coffea arabica L.).

7

CAPÍTULO 1

AVALIAÇÃO DA ACURÁCIA E PRECISÃO DO SOFTWARE QUANT NA

MENSURAÇÃO DE ÁREAS EM IMAGENS DIGITAIS

RESUMO

Com o objetivo de avaliar a acurácia e precisão do software QUANT na

mensuração de áreas em imagens digitais, três experimentos foram conduzidos com

imagens obtidas por meio de um digitalizador de imagens tipo mesa (scanner). No

primeiro, imagens de um disco de metal de 50 cm2 foram obtidas em diferentes

posições no scanner e em seis resoluções (75 a 300 dpi). No segundo experimento

foram utilizadas imagens com resolução de 75 a 300 dpi, de oito botões redondos com

área conhecida (0,5 a 5,1 cm2), e no terceiro, imagens digitalizadas a 100 e 300 dpi,

de 40 diagramas de papel com tamanho aproximado de 50 cm2. Cada diagrama

apresentava de um a 40 orifícios circulares e de mesmo tamanho. Em todos os três

experimentos, as imagens foram processadas pelo software QUANT e as áreas do

disco de metal, dos botões, dos diagramas de papel e de seus orifícios foram

segmentadas e mensuradas. No primeiro experimento, as áreas foram segmentadas

pelo procedimento de intervalo de coordenadas de cores. No segundo e terceiro

experimentos, utilizou-se o procedimento de seleção de áreas do QUANT. As áreas

também foram mensuradas com o uso do medidor de área da Li-cor, modelo LI –

3100. No primeiro experimento, o QUANT apresentou acurácia de 98,7% para

8

imagens com 200 dpi e acurácia superior a 99,7% para as imagens nas demais

resoluções. No segundo experimento, O quant apresentou acurácia superior a 98% e

precisão de 99,99%. No terceiro experimento, na estimativa das áreas dos orifícios, o

QUANT apresentou acurácia de 98,4% e o medidor de área, 87%. Os resultados

evidenciam que o QUANT possui alto potencial de uso na segmentação e mensuração

de áreas em imagens digitais.

Palavra-chave: análise de imagens

ABSTRACT

The accuracy and precision of the software QUANT for mensuring areas of digital

images were evaluated. The images were obtained through a scanner. In the first trial,

images of a steel disk of 50 cm2 were obtained in different positions on the scanner and

with six resolutions (75 to 300 dpi). In the second trial, images of eight round buttons

with known area (0,5 to 5,1 cm2) had resolutions from 75 to 300 dpi, and in the third

trial, images at 100 and 300 dpi, of 40 paper diagrams each having from one to 40

rounded holes. In all trials, the images were processed by the software QUANT and the

areas of the metal disk, buttons, diagrams, and of the holes were segmented and

measured. In the first trial, the areas were segmented by the procedure of interval of

coordinates of color. In the second and third trials, the procedure for selection of areas

was used. The areas were also measured with the area meter Li-cor, model LI-3100. In

the first trail, QUANT showed accuracy of 98.7% for images with 200 dpi and � 99.7%

for others. In the second trial, QUANT showed accuracy of 98%. In the third

experiment, in the estimate of the areas of the holes, QUANT showed accuracy of

98.4% and the area meter, 87%. The results evidence that QUANT has high potential

for segmentation and mensuration of areas in digital images.

Key word: image analysis.

9

INTRODUÇÃO

A quantificação da intensidade de doenças de plantas é indispensável a diversos

estudos fitopatológicos, tais como o levantamento de doenças em uma região, a

comparação de resistência genética de cultivares a doenças, a comparação da

eficiência de fungicidas e suas doses ou de práticas de manejo no controle de

doenças. Também é necessária à determinação do limiar de dano econômico de uma

doença e do limiar de ação, ou seja, a tomada de decisão no manejo de doenças em

lavouras comerciais (James, 1983), a qual consiste em determinar o momento de

aplicação de medidas de controle (Silva & Jesus Junior, 2000; Zadoks, 2001;

Shtienberg, 1995; Campbell & Madden, 1990), como é o caso do critério recomendado

para controle de algumas doenças do trigo, na região Sul do Brasil (Reis, 1994).

Quantificar objetivamente a severidade de doenças com acurácia é uma tarefa

difícil e que consome tempo. É impraticável contar e medir o tamanho de lesões

individuais em grandes amostras. Para tornar essa estimativa rápida e prática, A

quantificação da severidade de doenças em plantas (percentagem da área ou do

volume lesionado do órgão vegetal) tem sido realizada, geralmente, por meio de

estimativas visuais subjetivas, com o auxílio de escalas diagramáticas, que são

representações ilustradas de uma série de plantas ou de seus órgãos, com diferentes

níveis de severidade (Campbell & Madden, 1990; Amorim, 1995). Reduzidas acurácia

e precisão na estimativa visual da severidade de doenças, mesmo por avaliadores

experientes, têm sido relatadas por Smith et al. (1969), Sherwood et al. (1983), Lindow

& Webb (1983), Forbes & Jeger (1986), Shokes et al. (1987), Beresford & Royle

(1991), Carmo et al. (1991), Weber & Jorg (1991), Parker et al. (1995), Giglioti &

Canteri (1998). Diante dessas constatações, foram desenvolvidos alguns softwares

10

para treinar avaliadores de severidade de doenças, como o "Areagram" (Shane te al.,

1985), o “Distrain” (Tomerlin & Howell, 1988), o “Disease.Pro” (Nutter & Worawitlikit,

1989), o "Estimate" (Weber & Jörg (1991), e o “Combro” (Giglioti & Canteri, 1998;

Canteri & Giglioti, 1999). Embora o treinamento aumente a acurácia das avaliações,

segundo Parker et al. (1993), há evidências que seus efeitos benéficos duram pouco

tempo após o treinamento. Além disso, esses softwares abrangem apenas algumas

doenças e as avaliações continuam subjetivas e variando entre avaliadores.

Para quantificar objetivamente a severidade de doenças, é necessário estimar a

área foliar e a área lesionada da folha. A quantificação objetiva da área foliar tem sido

realizada por diferentes métodos: a) por meio de equações de regressão linear em

função de variáveis como largura e comprimento da folha (Barros & Maestri, 1973;

Alfonsi et al., 1974; Gomide et al., 1976; Garçon et al., 2001); b) por meio de pesagens

de cópia xerográfica ou heliográfica da folha (Silveira, 1972); e c) com o uso de

medidores eletrônicos de área foliar (Blanco et al., 1991; Urchei et al., 2000; Aguiar

Netto et al., 2000).

A área das lesões têm sido estimada com o uso de transparência milimetrada

colocada sobre a folha lesionada (Fernandes, 1988) ou obtendo-se cópia xerográfica


pesagens (Sherwood et al., 1983). A dimensão da lesão e sua expansão são

considerados importantes componentes epidemiológicos (Berger et al., 1997) e têm

sido estimado pela mensuração do comprimento (C) e largura (L) da lesão e usando a

fórmula para obtenção da área da elipse (A): A = C x L / 4. A mensuração tem sido

feita com régua, paquímetro (Emge et al., 1975; Subbarao & Michailides, 1995) ou

com ocular micrométrica (Shaner, 1983). Beresford & Royle (1991), estimaram a área

de 270 urédias de Puccinia hordei em cevada, a partir de seu comprimento e largura.

A área média variou de 2,05 x 10-2 a 4,29 x 10-2 mm2. A área lesionada foi estimada

multiplicando o número de urédias na folha pela área média das urédias. Desta

maneira, quantificar objetivamente a severidade de doenças com acurácia é uma

tarefa difícil e que consome tempo.

Alguns pesquisadores, com fins de elaboração de escalas, começaram a usar

imagens digitais para mensurar a severidade em diagramas (Stonehouse, 1994;

Falloon et al., 1995) ou em folhas doentes (Bacchi et al., 1992; Oliveira et al., 2001).

Sistemas de análise de imagens digitais tem sido usado para quantificar a

intensidade de algumas doenças (Lindow, 1983; Lindow & Webb, 1983; Sah &

Fehrmann, 1992; Kokko et al. 1993, 1995, 2000; Kampmann & Hansen, 1994; Todd, &



11



O software QUANT está sendo desenvolvido desde 2000, com o objetivo

principal de quantificar severidade de doenças, a partir de imagens obtidas com

scanner ou câmeras digitais (Vale et al., 2001, 2003). O objetivo deste estudo foi

avaliar a acurácia e precisão do QUANT na estimativa de áreas de objetos com áreas

conhecidas e com tamanhos semelhantes ao de folhas de algumas espécies vegetais

e ao de lesões de muitas doenças.

12

MATERIAL E MÉTODOS

Três experimentos foram conduzidos em 2003, no Laboratório de Epidemiologia

e Controle da Universidade Federal de Viçosa, para avaliar a acurácia e precisão do

software QUANT na estimativa de áreas em imagens digitais. Todas as imagens foram

obtidas no mesmo digitalizador de imagem, tipo mesa (scanner) HP, modelo Scanjet

3C. Foi utilizada uma caixa de isopor forrada de papel cartão, de cor preto fosco,

colocada em cima da área de aquisição de imagem do scanner, para que o fundo da

imagem digitalizada fosse de cor preto, evitando assim a interferência de

sombreamento nas bordas do disco. As imagens foram gravadas como arquivo do tipo

matricial (Windows Bitmap), não-comprimido e processadas em um computador com

processador AMD K6, com 128 MB de memória RAM, 32 bits, com monitor Samsung

modelo SyncMaster 750 ST, com configuração de tela de 1024 x 768 pixels, 32 bits.

As análises de regressão linear simples foram feitas com o software “Statistica for

Windows 5.5” (Statsoft, 2000).

Neste estudo, a acurácia foi considerada como o complemento do erro da

estimativa (valor estimado menos valor real). A precisão relaciona-se à variação

associada ao erro. Quanto menor a variabilidade do erro, maior a precisão.

Experimento 1 – Acurácia do QUANT na estimativa da área de um disco de 50

cm2

Imagens de um disco de metal de 50 cm2 (padrão de área do aparelho medidor

de área Li-cor, modelo LI – 3100) foram digitalizadas em um scanner, em seis

diferentes resoluções: 75, 100, 150, 200, 250 e 300 dpi, e em seis posições no

13

scanner (Figura 1), obtendo-se 36 imagens. O tamanho do disco foi escolhido por ser

equivalente ao tamanho da folha de muitas espécies vegetais.

Essas imagens foram importadas pelo software QUANT e processadas para

estimar a área do disco. Foram usados dois procedimentos do QUANT:

a) Seleção de cor por intervalo de coordenadas de cores: O "fundo" da imagem

(toda a área da imagem exceto o disco de metal) apresentava cor preto padrão

(coordenadas R = G = B = 0). Amostrou-se uma pequena seção de área do fundo da

imagem e incluiu-se a cor branco padrão (R = G = B = 255) em substituição à cor preta

do fundo. A seguir, reduziu-se a imagem para duas cores apenas. Assim, com

exceção da cor branca do fundo, todas as demais foram substituídas por uma única

cor. O fundo permaneceu branco e o disco adquiriu uma única outra cor. A seguir, com

o comando resultado, o QUANT forneceu a área ocupada com cada uma das duas

cores.

b) Seleção de cor por redução do número de cores: Todas as cores da imagem

foram reduzidas para 16 ou 64 cores. Depois, utilizando-se a paleta de cores, essas

cores foram substituídas por apenas duas. Para as imagens com 16 cores, com

exceção da cor preta, as outras 15 cores foram substituídas por uma única cor. Para

as imagens com 64 cores, com exceção da cor preto padrão e de uma outra cor mais

próxima (que foi substituída pelo preto padrão), as outras 62 cores foram substituídas

por uma única cor (Figura 2). A seguir, com o comando resultado, o QUANT forneceu

a área ocupada com cada uma das duas cores.

A acurácia das estimativas foi calculada da seguinte forma:

acurácia (%) = 100 – 100 x (área estimada – área real) / área real

Como não houve repetições das estimativas, não foi calculada a precisão das

estimativas das áreas.

Experimento 2 – Acurácia e precisão do QUANT na estimativa de pequenas

áreas

Com o objetivo de avaliar a acurácia do QUANT na mensuração de pequenas

áreas, foram obtidos oito botões redondos com diâmetros variando de 0,76 a 2,55 cm.

Foram feitas quatro mensurações de diâmetro em cada botão, com o uso de um

micrômetro Mitutoyo modelo 103 (resolução de 0,01 mm). As áreas dos botões (0,46

a 5,12 cm2) equivalem às áreas de lesões de muitas doenças.

Considerou-se como área padrão de cada botão, aquela estimada a partir do seu

diâmetro médio usando-se a equação da área de um círculo:

área padrão = π d2 /4, onde d é o diâmetro médio do botão.

14

1

2

3

4

6

5

Figura 1. Posições no scanner nas quais foram obtidas imagens digitalizadas do disco

padrão de área (escala 1:3).

15

A

B

C

D

Figura 2. A. Imagem digitalizada a 150 dpi de um disco de metal (50 cm2) (19738 cores

RGB). B. Redução para 64 cores C. Redução para 16 cores D. Imagem

processada pelo QUANT, com duas cores.

16

Essas estimativas de área foram comparadas com estimativas obtidas com o uso

do medidor de área da Li-cor, modelo LI-3100 e com as obtidas com o uso do

QUANT. Foram feitas dez mensurações da área de cada botão no medidor de área,

para tanto, os dois ou quatro pequenos orifícios no interior dos botões foram vedados

com fita adesiva opaca.

Imagens do conjunto de botões dispostos entre duas lâminas de vidro liso

transparente (2,11 mm de espessura) foram obtidas e digitalizadas em arquivo formato

Windows Bitmap, em scanner HP modelo Scanjet 3C, em diferentes resoluções: 75,

100, 150, 200, 250 e 300 dpi. Foram obtidas quatro diferentes imagens do conjunto de

botões, em cada resolução, totalizando 24 imagens. Uma caixa de isopor forrada de

papel cartão de cor preto fosco foi colocada em cima da área de aquisição de imagem

do scanner, para que o "fundo" da imagem digitalizada fosse de cor preto, evitando

assim a interferência de sombreamento nas bordas dos botões. Também foram

obtidas quatro outras imagens do conjunto de botões, a 100 dpi, diretamente sobre o

visor do scanner, sem as lâminas de vidro. Isto foi feito para avaliar se as lâminas de

vidro influenciam as estimativas das áreas, pois para a obtenção de imagens digitais

de folhas de plantas, recomenda-se que estas sejam colocadas entre as lâminas de

vidro, sobre o scanner, para ficarem o mais planas possível, sem dobras.

A partir de cada imagem digitalizada, foi estimada a área de cada botão com o

uso do QUANT. Inicialmente, cada imagem original (Figura 3A) teve seu contraste

modificado, utilizando-se o procedimento "contraste raiz" do QUANT, o qual aumenta o

brilho da imagem (Figura 3B). A seguir, em cada nova imagem contrastada obtida,

utilizando-se a ferramenta de seleção de área ("varinha mágica") selecionou-se a área

completa de cada botão (incluindo a área de seus orifícios internos) e obteve-se

automaticamente o valor da respectiva área (Figura 3C). Com essa ferramenta, ao

clicar sobre um pixel da imagem do botão, o QUANT seleciona esse pixel e todos os

pixels contíguos cujas coordenadas RGB de cores estejam dentro de uma gama de

valores próximo aos do pixel inicialmente selecionado, a qual é definida pelo valor da

"tolerância" pré-estabelecida pelo usuário do QUANT.

Clica-se com o mouse sobre um pixel Pij da imagem, o qual será selecionado.

Apenas os oito pixels vizinhos serão comparados com o pixel selecionado,

considerando um valor de tolerância entre 0 e 255, pré-determinado. Isto permitirá

selecionar simultaneamente pixels vizinhos com coordenadas de cores semelhantes.

Quando se clica sobre um pixel, Pij, simultaneamente cada um dos oito pixels vizinhos

Pi'j' (i' = 1, 2, ... m; j' = 1, 2, ... n; i' ≠ i ou j' ≠ j; i' = i ± 1 e j' = j ± 1) são comparados com

esse pixel inicialmente selecionado:

17

A

B

C

Figura 3. Imagem digital, a 150 dpi, de oito botões (A). Imagem após o uso do

procedimento contraste raiz (B). Tela do QUANT apresentando a seleção da área de

um botão e o valor de sua área, na imagem apresentada em B, com o uso da "varinha

mágica de seleção" (C).

18

Se máximo (Rij - Ri'j'; Gij - Gi'j'; Bi'j' - Bi'j') ≤ valor da tolerância, então o pixel vizinho

Pi'j' também é selecionado. O QUANT considera que os valores de R, G e B variam

entre zero e 255.

Cada novo pixel incluído na seleção tem os seus pixels vizinhos comparados

com o primeiro pixel selecionado Pij, segundo o critério acima. Desta maneira, uma

área de pixels contíguos pode ser selecionada e as cores de seus pixels alterada para

uma única cor.

Nos estudos apresentados nesse capítulo, os valores de tolerância foram

ajustados por meio de tentativas, até que a área selecionada fosse considerada

adequada pelo usuário do QUANT, por meio de sua visualização. O QUANT, então,

fornece o valor da área selecionada.

Para verificar a acurácia e precisão das estimativas de áreas realizadas com o

uso do QUANT, foi utilizada a análise de regressão linear simples (Campbell &

Madden, 1990). Inicialmente utilizou-se o modelo completo: Y = β0 + β1 X + ε, onde Y

são os valores de áreas dos botões estimadas pelo QUANT e X, os valores padrão,

estimados com a equação do círculo, a partir do diâmetro mensurado com micrômetro.

Quando β0 não diferiu estatisticamente de zero (P > 0,05) e os dados obtidos

demonstravam claramente que a reta estimada tendia a passar pela origem (Y = X =

0), efetuou-se nova análise de regressão linear simples, através da origem, segundo o

modelo: Y = β1 X + ε (Neter et al., 1996). Utilizou-se o teste t para testar a hipótese β1 =

1. O valor estimado de β1 é um indicativo de acurácia e o valor do coeficiente de

determinação, r2, representa a precisão. Isto permite que a acurácia seja representada

por somente um parâmetro da equação da reta. As análises de regressão linear foram

feitas com o software “Statistica for Windows 5.5” (Statsoft, 2000).

Experimento 3 – Acurácia e precisão do QUANT na estimativa de áreas em

diagramas de papel

Em papel couchê, 90 g.m-2, foram recortadas, segundo um molde de folha de

cafeeiro, com cerca de 50 cm2, 40 diagramas. Com o uso de um furador de papel,

foram feitos de um a 40 orifícios circulares iguais nos diagramas. Para evitar rebarbas

nas bordas, o diagrama de papel couchê foi furado sobre papel cartão. O diâmetro do

pino do furador de papel era de 5,43 mm (medido com micrômetro Mitutoyo modelo

103, com resolução de 0,01 mm). Portanto, a área de cada furo era 0,2316 cm2.

A área de cada diagrama de papel foi estimada com o uso do medidor de área

Li-cor modelo LI-3100. Foi obtida a média de três leituras de área em cada diagrama,

19

antes e após a realização dos orifícios. Por diferença entre as médias, estimou-se a

área dos orifícios.

Imagens de cada diagrama foram obtidas e digitalizadas em arquivo formato

Windows Bitmap, em scanner HP modelo Scanjet 3C, em duas resoluções: 100 e 300

dpi. Uma caixa de isopor forrada de papel cartão de cor preto fosco foi colocada em

cima da área de aquisição de imagem do scanner, para que o "fundo" da imagem

digitalizada fosse de cor preto, evitando assim a interferência de sombreamento nas

bordas dos diagramas.

As imagens foram processadas com o QUANT. A partir da imagem negativa da

imagem original (Figura 4), usando varinha de seleção, selecionou-se o diagrama,

incluindo os orifícios (Figura 5). Utilizou-se valor de tolerância próximo a 100, o que

permitiu selecionar toda a área do diagrama de papel. Automaticamente, obteve-se o

valor da área total do diagrama. Após desmarcar a seleção do diagrama, selecionou-

se a área de cada furo com a varinha de seleção. Na borda de cada furo, havia uma

nítida camada de um pixel de espessura, a qual foi incluída na seleção como área do

furo. Para os orifícios, utilizou-se valor de tolerância próximo a 200. Após, trocaram-se

as cores da área selecionada para uma única cor, neste caso, cinza (optou-se por este

valor de cinza: R = G = B = 128) (Figura 6). Após selecionar e alterar a cor das áreas

de todos os orifícios do diagrama, usando-se o procedimento de intervalo de cores,

trocaram-se todas as demais cores cujas coordenadas eram diferentes das

coordenadas da cor das áreas dos orifícios para, por exemplo, branco padrão (R = G =

B = 255). Com isso, a imagem passou a ter duas cores apenas (Figura 7). O

procedimento "resultado" forneceu o valor das áreas ocupadas por ambas as cores.

Assim, foi estimado o valor das áreas dos orifícios. Repetiu-se esse procedimento para

todas as 40 imagens de diagramas.

Para verificar a acurácia e precisão das estimativas de áreas realizadas com o

uso do QUANT, foi utilizada a análise de regressão linear simples (Campbell &

Madden, 1990). Inicialmente utilizou-se o modelo completo: Y = β0 + β1 X + ε, onde Y

são os valores de áreas dos estimados pelo QUANT e X, os valores padrão,

estimados com a equação do círculo, a partir do diâmetro mensurado com micrômetro.

Quando β0 não diferiu estatisticamente de zero (P > 0,05) e os dados obtidos

demonstravam claramente que a reta estimada tendia a passar pela origem (Y = X =

0), efetuou-se nova análise de regressão linear simples, através da origem, segundo o

modelo: Y = β1 X + ε (Neter et al., 1996). Utilizou-se o teste t para testar a hipótese β1 =

1. O valor estimado de β1 é um indicativo de acurácia e o valor do coeficiente de

determinação, r2, representa a precisão. Isto permite que a acurácia seja representada

20

por somente um parâmetro da equação da reta. Também foram feitas regressões

considerando os valores de Y como as áreas estimadas com o medidor de área Li-cor

modelo LI-3100. Neste caso, o valor estimado de β1 é um indicativo da concordância

entre as mensurações. As análises de regressão linear foram feitas com o software

“Statistica for Windows 5.5” (Statsoft, 2000).

21

A

B

Figura 4. Imagem de um diagrama em papel couchê, a 300 dpi, com cinco orifícios (A)

e o seu negativo (B). Ambas imagens possuem 22.835 cores no sistema RGB.

Figura 5. Tela do software QUANT. Negativo da imagem de um diagrama de papel

com cinco orifícios. A área do diagrama foi selecionada com a "varinha mágica de seleção" e é indicada na janela central.

22

Figura 6. Tela do software QUANT. Negativo da imagem de um diagrama de papel.

Detalhe da seleção da área de um furo com a "varinha mágica de seleção".

o valor da área é indicada na janela central.

A

B

Figura 7. Negativo da imagem de um diagrama foliar em papel couchê, a 300 dpi,

cujos orifícios tiveram suas cores alteradas para cinza (R=G=B=128) (A) e

após todas as demais cores foram alteradas para branco (R=G=B=255) (B).

23

RESULTADOS E DISCUSSÃO Experimento 1 – Acurácia do QUANT na estimativa da área de um disco de 50

cm2

A resolução das imagens foi conferida verificando-se o número de pixels

equivalente ao diâmetro horizontal do disco, estando todas as resoluções corretas.

Embora haja apenas uma estimativa de área com o QUANT, para cada posição

do disco no digitalizador de imagem e para cada resolução, são apresentadas médias

de acurácia, para cada posição, considerando as diferentes resoluções como

repetições e vice-versa. Mas, não foram realizados testes estatísticos de comparação

de médias (Tabela 1). Os erros na estimativa da área do disco padrão com o uso da

ferramenta de seleção de áreas por intervalo de coordenadas foram todos abaixo de

1,4%. As estimativas da área do disco apresentaram acurácia média variando de

99,64 a 99,72%, dependendo da posição do disco, sobre o digitalizador de imagem, na

obtenção da imagem digital (Tabela 1). No entanto, houve uma maior variação na

acurácia em relação à resolução da imagem digital. Imagens digitalizadas a 200 dpi,

em quaisquer das seis posições do scanner, propiciaram acurácia de 98,66 a 98,77%.

Imagens com as demais resoluções apresentaram acurácia de 99,71 a 100%, sendo

que a resolução de 75 dpi propiciou acurácia média de 99,97% (Tabela 1, Figura 8).

Utilizando o procedimento de Seleção de cor por redução do número de cores,

as estimativas da área do disco apresentaram acurácia cerca de 0,2% menor que as

obtidas com o método anterior e com o mesmo comportamento em relação às

resoluções das imagens (Figura 9).

24

Tabela 1. Acurácias na estimativa da área pelo software QUANT, usando o

procedimento de intervalo de coordenadas de cores, em imagens

digitalizadas em seis posições1 no scanner e a seis diferentes resoluções,

de um disco de metal de 50 cm2 (vide figura 1)

Posição Acurácia média (%)2 Resolução

(dpi) Acurácia média (%)3

1 99,70 (98,74 - 99,97) 75 99,97 (99,94 - 100,00)

2 99,69 (98,73 - 99,97) 100 99,80 (99,71 - 99,85)

3 99,72 (98,77 - 99,98) 150 99,86 (99,82 - 99,90)

4 99,64 (98,70 - 99,95) 200 98,72 (98,66 - 98,77)

5 99,68 (98,70 - 100,00) 250 99,86 (99,81 - 99,91)

6 99,65 (98,66 - 99,94) 300 99,88 (99,84 - 99,92) 1 Vide Figura 1. 2 obtidas das médias de seis resoluções (min. – máx.). 3 obtidas das acurácias das seis posições (min. -máx.).

A maioria das estimativas realizadas com o QUANT subestimou a área real do

disco. Isto pode ser devido a duas causas: a) o disco é uma circulo e o pixel da

imagem digital é um quadrado. Portanto, há um erro teórico associado à mensuração

da área do círculo imediatamente próxima à circunferência; b) Ao se digitalizar as

imagens do disco de metal, houve a formação de um gradiente de cores na região da

circunferência, com largura de um a três pixels. Optou-se por não incluir esses pixels

na área selecionada e mensurada pelo QUANT.

Experimento 2 – Acurácia e precisão do QUANT na estimativa de pequenas

áreas

Todos os oito botões tendiam para a forma de círculo, com mínima variação no

seu diâmetro, mensurado em quatro posições (erro-padrão ≤ 0,04 mm) (Tabela 2).

Assim, neste estudo, as suas áreas foram estimadas a partir do seu diâmetro médio,

considerando-os círculos perfeitos e esses valores foram considerados o padrão de

área (real) para cada botão.

Considerando o conjunto de estimativas de área dos oito botões, o medidor de

área apresentou acurácia de 98% e o QUANT, acurácia de 98 a 99%, dependendo da

resolução da imagem. Esses métodos apresentaram precisão de 99,99%. A acurácia é

representada pela estimativa do parâmetro �1 e a precisão é representada pelo

coeficiente de determinação da equação de regressão linear simples, r2 (Figura 10).

25

A

Resolução (dpi)

Err

o (%

)

-1,4

-1,2

-1,0

-0,8

-0,6

-0,4

-0,2

0,0

0,2

100 150 200 250 300

B

Resolução (dpi)

Err

o (%

)

-1,4

-1,2

-1,0

-0,8

-0,6

-0,4

-0,2

0,0

0,2

100 150 200 250 300

C

Resolução (dpi)

Err

o (%

)

-1,4

-1,2

-1,0

-0,8

-0,6

-0,4

-0,2

0,0

0,2

100 150 200 250 300

D

Resolução (dpi)

Err

o (%

)

-1,4

-1,2

-1,0

-0,8

-0,6

-0,4

-0,2

0,0

0,2

100 150 200 250 300

E

Resolução (dpi)

Err

o (%

)

-1,4

-1,2

-1,0

-0,8

-0,6

-0,4

-0,2

0,0

0,2

100 150 200 250 300

F

Resolução (dpi)

Err

o (%

)

-1,6

-1,4

-1,2

-1,0

-0,8

-0,6

-0,4

-0,2

0,0

0,2

100 150 200 250 300

Figura 8. Erros (%) na estimativa da área pelo software QUANT, usando o

procedimento de intervalo de coordenadas de cores, em imagens

digitalizadas, em seis resoluções e em seis posições no scanner, de um

disco de metal de 50 cm2. A – F, posições 1 a 6, respectivamente (vide

figura 1). Erro = valor estimado – valor real.

26

A

Resolução (dpi)

Err

o (%

)

-1,6

-1,4

-1,2

-1,0

-0,8

-0,6

-0,4

-0,2

0,0

0,2

100 150 200 250 300

B

Resolução (dpi)

Err

o (%

)

-1,6

-1,4

-1,2

-1,0

-0,8

-0,6

-0,4

-0,2

0,0

0,2

100 150 200 250 300

C

Resolução (dpi)

Err

o (%

)

-1,6

-1,4

-1,2

-1,0

-0,8

-0,6

-0,4

-0,2

0,0

0,2

100 150 200 250 300

D

Resolução (dpi)

Err

o (%

)

-1,6

-1,4

-1,2

-1,0

-0,8

-0,6

-0,4

-0,2

0,0

0,2

100 150 200 250 300

Figura 9. Erros (%) na estimativa da área pelo software QUANT, usando o

procedimento de redução de cores em imagens digitalizadas, em seis

resoluções e em duas posições no scanner, de um disco de metal de 50

cm2. A e C, redução para 16 cores; B e D, redução para 64 cores (vide

texto), A e B, posição 1, C e D, posição 2 (vide figura 1). Erro = valor

estimado – valor real.

27

A

Área padrão dos botões (cm2)

Áre

a (c

m2 )

- LI

310

0

0 1 2 3 4 5 60

1

2

3

4

5

6Y = 0,0294** + 1,0114** X r2 = 99,99Y = 1,0200** X r2 = 99,99

B


Áre

a (c

m2 )

- Q

uant

- 7

5 dp

i

0 1 2 3 4 5 60

1

2

3

4

5

6

Y = 0,9927** X r 2 = 99,99

C


Áre

a (c

m2 )

- Q

uant

- 1

50 d

pi

0 1 2 3 4 5 60

1

2

3

4

5

6Y = 0,9907** X r 2 = 99,99

D


Áre

a (c

m2 )

- Q

uant

- 2

00 d

pi

0 1 2 3 4 5 60

1

2

3

4

5

6

Y = 0,9793** X r 2 = 99,99

E


Áre

a (c

m2 )

- Q

uant

- 2

50 d

pi

0 1 2 3 4 5 60

1

2

3

4

5

6

Y = 0,9884** X r 2 = 99,99

F


Áre

a (c

m2 )

- Q

uant

- 3

00 d

pi

0 1 2 3 4 5 60

1

2

3

4

5

6

Y = 0,9921** X r 2 = 100,00

Figura 10. Comparação entre as áreas-padrão dos botões e as estimativas com o uso

do medidor de área Li-cor LI-3100 (A) e do QUANT em imagens digitais com

resolução de 75 a 300 dpi (B-F) Regressão através da origem. Linha

pontilhada: Y = X, sendo Y a ordenada e X, a abscissa. Hipóteses testadas:

β0 = 0; β1 = 1. ** P < 0,01.

28

Tabela 2: Comparação entre as áreas (cm2) estimadas pelo QUANT em imagens digitalizadas, a 100 dpi, de oito botões entre duas lâminas de

vidro1 ou não

Botão Diâmetro 2 (d) Área

Padrão 3

Botões entre

lâminas de vidro

(A)

Botões sobre o

visor do scanner

(B)

Diferença (cm2)

(A) – (B) Teste t 5 P 6

Diferença (%)

(A – B) / B

1 2,552 ± 0,004 5,1151 5,0769 ± 0,01084 5,0919 ± 0,00614 -0,0150 -1,209 0,272 -0,29%

2 2,284 ± 0,003 4,0972 4,0353 ± 0,0021 4,0492 ± 0,0015 -0,0139 -5,402 0,002 -0,34%

3 2,035 ± 0,002 3,2525 3,2126 ± 0,0035 3,2115 ± 0,0027 0,0011 0,257 0,806 0,03%

4 1,787 ± 0,001 2,5081 2,4918 ± 0,0018 2,4978 ± 0,0027 -0,0060 -1,841 0,115 -0,24%

5 1,522 ± 0,002 1,8194 1,8002 ± 0,0016 1,8024 ± 0,0037 -0,0022 -0,561 0,595 -0,12%

6 1,280 ± 0,000 1,2868 1,2940 ± 0,0023 1,2897 ± 0,0020 0,0043 1,419 0,206 0,33%

7 1,027 ± 0,001 0,8284 0,8300 ± 0,0031 0,8271 ± 0,0006 0,0029 0,929 0,417 0,35%

8 0,762 ± 0,001 0,4560 0,4565 ± 0,0032 0,4584 ± 0,0034 -0,0019 -0,420 0,689 -0,41%

1 Lâminas de vidro liso transparente (2,11 mm de espessura). 2 Média (cm) de quatro mensurações (em posições diferentes) com micrômetro Mitutoyo modelo 103-137 ± o erro-padrão da média; 3 área = πd2 / 4; 4 Média de quatro mensurações ± erro-padrão da média. 5 Hipótese testada: A – B = 0. 6 Probabilidade

29

Verificou-se que também nesse experimento, imagens digitalizadas a 200 dpi,

tenderam a proporcionaram menor acurácia nas estimativas das áreas.

O fato da obtenção das imagens digitais dos botões entre duas lâminas de vidro

liso não alterou o valor da estimativa de sua área com o QUANT, quando comparados

a imagens obtidas de botões diretamente sobre o visor do scanner. As diferenças nas

estimativas com os dois tipos de imagem variou de 0,001 a 0,015 cm2 (0,03 a 0,41%

em relação às áreas de imagens obtidas de botões diretamente sobre o visor).

Somente para o botão número 2, essa diferença foi estatisticamente significativa, fato

devido à alta precisão das estimativas destas duas médias (Tabela 2).

A estimativa das áreas dos botões foi mais acurada e precisa com o uso do

QUANT que as do medidor de área da Li-cor LI-3100. Quanto menor a área do botão,

maior foi o erro percentual do medidor de área e maior o coeficiente de variação (c.v.)

de suas estimativas (Figura 11). A resolução do medidor da Li-cor foi de 1 mm2, que é

equivalente a 25 dpi. Pelo fato das áreas mensuradas serem circulares e do pixel ser

quadrado, há um erro na mensuração das bordas. Teoricamente, quanto menor o

diâmetro e quanto menor a resolução, maior o erro. Isto talvez explique a diminuição

da acurácia do medidor de área Li-cor, com a diminuição da área do botão.

Experimento 3 - Acurácia e precisão do QUANT na estimativa de áreas em

diagramas de papel

A estimativa de áreas com o uso do QUANT em imagens com resolução de 100

ou de 300 dpi, apresentaram alta concordância entre si. Baseando-se na estimativa do

parâmetro β1, da equação de regressão linear simples através da origem, houve

99,5% de concordância nas mensurações das áreas total dos orifícios de cada

diagrama e 99,94% de concordância nas mensurações das áreas dos diagramas das

imagens de 100 ou 300 dpi. As diferenças entre as duas resoluções de imagens

utilizadas quanto às estimativas de áreas dos orifícios variaram de 0,00 a 0,16 cm2

(0,02 a 2,40%) e quanto às áreas dos diagramas variaram de 0,00 a 0,13 cm2 (0,00 a

0,25%) (Figura 12). Devido a isso, nas análises seguintes foram consideradas

somente as estimativas de áreas de imagens com 100 dpi.

Em comparação com as áreas-padrão (real) dos orifícios, as estimativas do

QUANT apresentaram 98,37% de acurácia e 99,98% de precisão (Figura 13A). O erro

absoluto máximo foi 0,19 cm2 (Figura 13C) e o erro percentual máximo foi de 3%

(Figura 13E). Já as estimativas feitas com o medidor de área LI-3100 foram menos

acuradas (86,58%) (Figura 13B). Seus erros foram maiores que os do QUANT. Os

maiores erros absolutos e percentuais foram 1,55 cm2 e 85,82%, respectivamente

30

(Figuras 13D e 13E). Houve uma tendência de aumento do erro das estimativas das

áreas dos orifícios com o aumento do número de orifícios (Figura 13D). Isso pode ser

devido ao fato que o pixel de leitura do medidor de área LI-3100 é quadrado e os

orifícios são circulares. Segundo o fabricante, com a resolução de 1 mm2, o LI-3100

pode apresentar erros de 2, 5 ou 7% ao mensurar objetos de 5, 1 ou 0,5 cm2,

respectivamente (Li-Cor, 1996).

Quando comparadas entre si, as estimativas de áreas com o uso do QUANT e

com o medidor de área, não foram concordantes (Figura 14). Houve diferenças de até

0,53 cm2 (1,06%) com relação às áreas dos diagramas (Figuras 14D e 14F) e de até

1,41 cm2 (85,62%) com relação às áreas dos orifícios (Figuras 14C e 14E).

Considerando os três experimentos, o QUANT foi avaliado na mensuração de

áreas de tamanho próximo ao de folhas de muitas espécies vegetais e ao de lesões de

muitas doenças. À exceção do diagrama, com formato de folha, as demais áreas

mensuradas tinham forma circular, pois muitas doenças apresentam lesões

arredondadas. A acurácia das estimativas das áreas tendeu a variar mais em função

da resolução que da posição do objeto no digitalizador de imagens. A resolução de

200 dpi tendeu a propiciar menor acurácia das estimativas. Imagens nas demais

resoluções propiciaram melhores acurácias. Os resultados sugerem que imagens com

as menores resoluções podem ser usadas para processamento no QUANT, pois o

número de pixels e, consequentemente, o tamanho do arquivo (número de bytes) de

uma imagem, por exemplo, a 100 dpi é 1/9 em relação à mesma imagem digitalizada a

300 dpi. Isto torna a digitalização e o processamento mais rápidos e demanda menos

espaço para arquivar as imagens.

Na estimativa de áreas maiores (cerca de 50 cm2), o QUANT apresentou

acurácia superior a 99,80% para todas as resoluções das imagens do disco-padrão, à

exceção de 200 dpi. No caso das áreas dos diagramas de papel, as estimativas foram

semelhantes àquelas feitas com o LI-3100, com diferença máxima de 1,1%. Rossiello

et al. (1995) obtiveram acurácia maior que 99,17% ao estimarem áreas de 242 a 1227

cm2 com o medidor de área Li-cor modelo LI 3000.

Na estimativa de pequenas áreas (botões e orifícios dos diagramas) a acurácia

do medidor de área LI-3100 foi inferior à do QUANT e diminuiu com a redução da

área. O QUANT apresentou maior acurácia (98,37%) das áreas dos orifícios dos

diagramas de papel que o LI-3100 (86,58%). Não houve o objetivo de comparar o

QUANT com o medidor de área LI-3100, pois as resoluções utilizadas foram

diferentes. A da LI-3100 equivaleu a 25 dpi. Suas mensurações são utilizadas como

referências apenas. Ademais, o principal uso do QUANT, em Fitopatologia, é

31

A

LI 3100

Quant


Err

o (c

m2 )

-0,06

-0,04

-0,02

0,00

0,02

0,04

0,06

0,08

0,10

5,1 4,1 3,3 2,5 1,8 1,3 0,8 0,5

B

LI 3100

Quant


Err

o (%

)

0

1

2

3

4

5

6

7

8

5,1 4,1 3,3 2,5 1,8 1,3 0,8 0,5

C

LI 3100

Quant


C.V

. (%

)

0,0

0,4

0,8

1,2

1,6

2,0

2,4

5,1 4,1 3,3 2,5 1,8 1,3 0,8 0,5

Figura 11. Erros e coeficientes de variação (%) das estimativas da área de oito botões,

com o uso do medidor de área Li-cor LI-3100 e do QUANT, em imagens

digitais a 150 dpi. Erro (cm2) = valor estimado – valor padrão.

32

A

Área dos orifícios (cm2) - Quant 300 dpi

Orif

ício

s (c

m2 )

- Q

uant

100

dpi

0 2 4 6 8 100

2

4

6

8

10

Y = 1,0053** X r 2 = 99,97

B

Diagrama (cm2) - Quant 300 dpi

Dia

gram

a (c

m2)

- Q

uant

100

dpi

49 50 50 51 51 52 5249

50

50

51

51

52

52Y = 2,2045** + 0,9557** X r 2 = 99,15Y = 0,9994** X r 2 = 98,94

C


Dife

renç

a: Q

uant

100

- 3

00 d

pi (

cm2 )

0 2 4 6 8 10

-0.4

-0.2

0.0

0.2

0.4

D


Dife

renç

a: Q

uant

100

- 3

00 d

pi (

cm2 )

49 50 50 51 51 52 52

-0.4

-0.2

0.0

0.2

0.4

E


Dife

renç

a (%

): Q

uant

100

- 3

00 d

pi

0 2 4 6 8 10-3

-2

-1

1

2

3

F


Dife

renç

a (%

): Q

uant

100

- 3

00 d

pi

49 50 50 51 51 52 52-3

-2

-1

1

2

3

Figura 12 – Comparação entre as estimativas de áreas com o uso do QUANT em

imagens digitais com resolução de 100 (Quant 100 dpi) ou 300 dpi (Quant

300 dpi): área dos orifícios (A, C, E) e área dos diagramas de papel (B, D,

F). Regressão através da origem. Linha pontilhada: Y = X (A, B), sendo Y

a ordenada e X, a abscissa. Hipóteses testadas: β0 = 0; β1 = 1. ** P <

0,01.

33

A

Área dos orifícios (cm2) - padrão

Orif

ício

s (c

m2 )

- Q

uant

100

dpi

0 2 4 6 8 100

2

4

6

8

10

Y = 0,9837** X r 2 = 99,98

B


Orif

ício

s (c

m2 )

- LI

310

0

0 2 4 6 8 100

2

4

6

8

10

Y =0,8658** X r 2 = 98,63

C


Dife

renç

a: Q

uant

100

- p

adrã

o (c

m2 )

0 2 4 6 8 10-1.6

-1.2

-0.8

-0.4

0.0

0.4

D


Dife

renç

a: L

I 31

00 -

pad

rão

(cm

2 )

0 2 4 6 8 10-1.6

-1.2

-0.8

-0.4

0.0

0.4

E


Dife

renç

a (%

): Q

uant

100

- p

adrã

o

0 2 4 6 8 10

-80

-60

-40

-20

0

20

F


Dife

renç

a (%

): L

I 310

0 -

padr

ão

0 2 4 6 8 10

-80

-60

-40

-20

0

20

Figura 13 - Comparação entre as áreas-padrão (calculadas a partir do diâmetro dos

orifícios) e as estimativas de áreas dos orifícios dos diagramas de papel

com o uso do QUANT em imagens digitais com resolução de 100 dpi

(Quant 100 dpi) (A, C, E) e entre as áreas-padrão e as estimativas

obtidas no medidor de área Li-cor modelo LI-3100 (B, D, F). Regressão

através da origem. Linha pontilhada: Y = X (A, B), sendo Y a ordenada e

X, a abscissa. Hipótese testada: β1 = 1. ** P<0,01.

34

A


Orif

ício

s (c

m2 )

- LI

310

0

0 2 4 6 8 100

2

4

6

8

10

Y = 0,8803** X r 2 = 98,76

B


Dia

gram

a (c

m2 )

- LI

310

0

49 50 50 51 51 52 5249

50

50

51

51

52

52

Y = 0,9992 ns X r2 = 88,58

C


Dife

renç

a: L

I 310

0 -

Qua

nt 1

00 (

cm2 )

0 2 4 6 8 10-1.6

-1.4

-1.2

-1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

D


Dife

renç

a: L

I 310

0 -

Qua

nt 1

00 (

cm2 )

49 50 50 51 51 52 52-0.4

-0.3

-0.2

-0.1

0.0

0.1

0.2

0.3

0.4

0.5

0.6

E


Dife

renç

a (%

): L

i 310

0 -

Qua

nt 1

00

0 2 4 6 8 10-20

0

20

40

60

80

F

Diagrama (cm2) - Quant 100

Dife

renç

a (%

): L

I 310

0 -

Qua

nt 1

00

49 50 50 51 51 52 52-0.8

-0.4

0.0

0.4

0.8

1.2

Figura 14 - Comparação entre as estimativas de áreas com o uso do QUANT em

imagens digitais com resolução de 100 dpi (Quant 100 dpi) e com o

medidor de área Li-cor modelo LI-3100: área dos orifícios (A, C, E) e área

dos diagramas de papel (B, D, F). Regressão através da origem. Linha

pontilhada: Y = X (A, B), sendo Y a ordenada e X, a abscissa. Hipótese

testada: β1 = 1. ** P<0,01; ns P > 0,05.

35

mensurar as áreas lesionadas de folhas de plantas, o que o LI-3100 não pode fazer

diretamente. Os resultados indicam que o QUANT pode ser usado como padrão de

mensuração de pequenas áreas. Além disso, o uso do QUANT necessita apenas de

um microcomputador e um digitalizador de imagem, sendo de menor custo que o

medidor de área. Além disso, as imagens digitalizadas podem ser armazenadas.

Deve-se acrescentar que o uso do QUANT pode ser dividido em três partes: a) a

digitalização da imagem, b) a melhoria do contraste da imagem (opcional), e c) a

seleção dos objetos de interesse na imagem. A mensuração das áreas em si é um

mero processo de somatório de pixels selecionados. Cada uma dessas três partes

pode interferir na estimativa das áreas. A parte que mais pode interferir é a seleção de

objetos (segmentação da imagem) feitas pelo usuário do QUANT.

O QUANT apresentou acurácia de estimativas de áreas muito superior as

acurácias obtidas em avaliações visuais de severidade de doença, apresentando-se

com alto potencial de uso em fitopatometria, para mensurar área foliar e área

lesionada.

36

CAPÍTULO 2

AVALIAÇÃO DA INTENSIDADE DE ÁREA CONSUMIDA POR INSETOS EM

FOLHAS DE PIMENTÃO COM O USO DO SOFTWARE QUANT®

RESUMO

Foram avaliadas a acurácia e a precisão do software QUANT na mensuração da

área foliar total, da área desfolhada (consumida) e da severidade da desfolha

(percentagem da área foliar desfolhada) por besouros crisomelídeos, em 99 folhas de

pimentão (Capsicum annuum), usando imagens digitais, com resolução de 100 e 300

dpi. Também foram feitas mensurações com o medidor de área Li-cor modelo LI-

3100, por meio de estimativa visual por seis avaliadores. A área desfolhada também

foi estimada por dois avaliadores observando-se as imagens digitais obtidas com

papel milimetrado como fundo, por meio de contagem direta de cada quadrado de

1mm2 de área. A resolução da imagem não afetou as estimativas de área pelo

QUANT. As estimativas de área com o uso do QUANT e com o LI-3100 apresentaram

concordância de 97,8%, 77,0 e 80,8%, para área foliar, área desfolhada e severidade,

respectivamente. Compararam-se as mensurações de área desfolhada do QUANT e

do LI-3100 com mensurações realizadas por dois avaliadores, por meio de contagem

de quadrículas em papel milimetrado. O QUANT apresentou maior acurácia (89,0 a

93,1%) e precisão (97,0%) que o medidor de área foliar, o qual apresentou acurácia

de 86 a 88% e precisão de 77%. Todos os seis avaliadores visuais superestimaram a

37

severidade. Apenas um avaliador apresentou alta acurácia (92%). A precisão dos

avaliadores variou de 22,3 a 92,1%. Propõe-se que o QUANT seja adotado como

método padrão para mensurar área foliar e área foliar injuriada (consumida) por

insetos.

Palavra-chave: herbivoria

ABSTRACT

It was evaluated the accuracy and precision of the software QUANT in the

mensuration of the foliar area, defoliated area for beetles and of the severity

(percentage of the eaten foliar area), in 99 leaves of green pepper (Capsicum

annuum), using digital images, at 100 and 300 dpi. Mensurations with the meter area

Li-cor model LI-3100 and through visual estimate of six evaluators were accomplished

too. The defoliated area was also measured by two evaluators counting on graph paper

squared 1 mm. The image resolution didn't affect the mensurations by QUANT. The

mensurations by QUANT and by LI-3100 showed agreement of 97.8%, 77.0 and

80.8%, for foliar area, defoliated area and severity, respectively. The mensurations of

defoliated area by Quant and by LI-3100 were compared with mensurations

accomplished by two evaluators, through counting on graph paper squared 1 mm.

QUANT presented accuracy > 89 % and precision 97%. The LI-3100 showed accuracy

> 86% and precision 77%. All the six visual evaluators overestimated the severity. Just

an evaluator showed high accuracy (92%). The evaluators’ precision varied from 22 to

92%. It is proposed that QUANT should be adopted as standard method to measure

foliar area and defoliated (eaten) foliar area.

Key word: herbivory

38

INTRODUÇÃO

Alguns insetos herbívoros, ao se alimentarem, consomem o limbo foliar de

plantas. A quantificação da intensidade dessa injúria, doravante denominada desfolha

(percentagem da área foliar consumida), é indispensável a alguns estudos

entomológicos e tem sido realizada, geralmente, por meio de estimativas visuais

subjetivas (Domiciano & Santos, 1994; Lorenção et al., 2000) com ou sem o auxílio de

escalas de notas, ou por meio de aparelhos medidores de áreas. Recentemente,

alguns autores têm realizado essas mensurações com o uso de imagens digitais

(WILCKEN et al., 1998; Furlan et al., 1999; Alchanatis et al., 2000).

Os problemas nos métodos utilizados para quantificar desfolha por insetos são

os mesmos daqueles usados ara quantificar severidade de doença: a) a falta de

padronização dos métodos, não permitindo a comparação de resultados obtidos em

diferentes estudos; b) reduzidas acurácia e precisão na estimação visual.

O software QUANT (Vale et al., 2001, 2003) foi desenvolvido com o propósito

de quantificar áreas em imagens digitais. Inicialmente, está sendo testado na

mensuração de intensidade de doenças e de intensidade de lesões ou injúrias em

folhas de plantas que muitas vezes ocorrem concomitantemente. Espera-se com o uso

do QUANT obter estimativas mais acuradas e precisas.

O objetivo deste trabalho foi avaliar a acurácia e precisão do QUANT na

determinação da intensidade de desfolha causadas pela alimentação de insetos,

utilizando como exemplo a cultura do pimentão (Capsicum annuum L.).

39

MATERIAL E MÉTODOS

O experimento foi conduzido em 2003, no Laboratório de Epidemiologia e

Controle da Universidade Federal de Viçosa, para avaliar a acurácia e precisão do

software QUANT na estimativa de severidade de desfolha (área foliar consumida) por

insetos com o uso de imagens digitais.

Coletaram-se 99 folhas de pimentão com desfolha (orifícios) no limbo, causadas

pela alimentação de besouros crisomelídeos. Para evitar desidratação, logo após sua

coleta, as folhas foram colocadas entre papéis umedecidos com água fresca e dentro

de sacos de polietileno fechados, e transportado dentro de caixa de isopor para o

laboratório, onde foram colocadas em geladeira (Liberato et al., 1996). Logo a seguir,

grupos de dez a 15 folhas foram retirados da geladeira e enxugados em papel toalha.

Em seguida, imagens de cada folha disposta entre duas lâminas de vidro liso

transparente (2,11 mm de espessura), para que ficassem planas, foram obtidas em

digitalizador de imagem tipo mesa (scanner), HP modelo Scanjet 3C, em duas

diferentes resoluções: 100 e 300 dpi (pixels por polegada), e armazenadas em arquivo

do tipo matricial formato Windows Bitmap, não-comprimido, Foi utilizada uma caixa de

isopor forrada de papel cartão de cor preto fosco, colocada em cima da área de

aquisição de imagem do scanner, para evitar que a iluminação do ambiente

interferisse e para que o fundo da imagem digitalizada fosse de cor preto (Figura 1A).

Também foram obtidas imagens digitalizadas, a 300 dpi, utilizando como "fundo" da

imagem, uma folha de papel milimetrado (Figura 1B). Foi utilizado um computador com

processador Pentium III, 450 MHz, com 128 MB de memória RAM, com monitor

40

A

B

C

D

E

F

G

H

Figura 1. Folha de pimentão com injuria causada por inseto (300 dpi) (A) e com fundo de papel milimetrado (B). Imagem A após uso do filtro excluir brilho (C). Imagem processada para estimativa de área foliar (D). Alteração das cores da área injuriada da imagem B para branco (R=G=B=255) (E) ou para cinza (R=G=B=150) e demais cores sendo alteradas para branco (F). Folha com injúria na borda (G), com uma "ponte" para separar a área injuriada do "fundo" da imagem (H). Para detalhes, vide texto.

41

Waitec modelo MPSV-1720, 16", true color (32 bits), com configuração de tela de

1024 x 768 pixels. Após, as folhas foram recolocadas na geladeira, entre papel

umedecido, dentro de sacos plásticos fechados.

Neste estudo, o termo área foliar refere-se à soma da área “intacta” do limbo

foliar com a área desfolhada (consumida). Cada folha teve sua área estimada com o

uso do medidor de área Li-cor modelo LI-3100 na resolução de 1 mm2, equivalente a

25 dpi. Foram feitas três leituras de área em cada folha. Foram mensuradas a área

intacta do limbo e a área foliar. Na estimativa dessa última, colocou-se fita adesiva

opaca sobre a área injuriada do limbo foliar. Por diferença, estimou-se a área injuriada

(Lowman, 1984). Para evitar desidratação das folhas, repetiu-se o mesmo cuidado

adotado durante a digitalização das imagens. Todos os processamentos das folhas

frescas foram feitos durante algumas horas da tarde do dia da coleta. As folhas não

apresentaram sintomas visíveis de desidratação, o que poderia afetar as estimativas

de área.

A intensidade da desfolha (percentagem da área foliar consumida), foi estimada

visualmente por seis avaliadores, observando imagens digitais, a 300 dpi, de folhas

individuais na tela do computador. A área consumida também foi estimada por dois

avaliadores observando-se as imagens digitais obtidas com papel milimetrado como

fundo, por meio de contagem direta de cada quadrado de 1mm2 de área. Preferiu-se

utilizar imagens digitais ao invés de estimar a área com a folha fresca sobre papel

milimetrado para que as estimativas de áreas pudessem ser feitas calma e

cuidadosamente.

Essas imagens foram importadas pelo software QUANT e processadas.

Inicialmente, cada imagem original teve seu contraste modificado (melhorado),

utilizando-se o procedimento "contraste raiz". Para algumas folhas o procedimento

utilizado foi o filtro excluir brilho (Figura 1C). A seguir, em cada nova imagem obtida,

utilizando-se o procedimento de seleção de área ("varinha mágica") selecionou-se a

área completa de cada folha (incluindo a área injuriada) e obteve-se automaticamente

a respectiva área. A área foliar selecionada teve suas cores alteradas para branco

padrão (R = G = B = 255) e, usando o procedimento de intervalo de cores, todas as

demais cores diferentes do branco foram alteradas para preto padrão (R = G = B = 0).

A imagem resultante, com duas cores, foi arquivada (Figuras 1D e 2). Com esse

procedimento, ao clicar sobre um pixel da imagem do botão, o software seleciona esse

pixel e todos os pixels vizinhos contíguos cujas coordenadas RGB de cores estejam

dentro de uma gama de valores, a qual é definida pela "tolerância" pré-estabelecida.

Esse processamento da imagem é denominado segmentação por crescimento de

área. Escolheu-se um valor de tolerância, no qual a seleção incluísse a folha completa.

42

Figura 2. Tela do QUANT apresentando seleção da área foliar total com a "varinha

mágica" e a estimativa da área na janela ao centro.

43

Utilizou-se valor de tolerância que permitisse a seleção adequada da área foliar total.

Esse mesmo procedimento foi usado para estimar a área de cada lesão. Usando

varinha de seleção, selecionou-se a área de cada injúria (Figura 3) e trocou sua cor

para cinza. Usando o procedimento de intervalo de cores, trocou-se todas as demais

cores para branco (Figuras 1E, 1F e 2). Estimaram-se as áreas ocupadas por ambas.

Para folhas com injúrias na borda (Figura 1G), foi preciso, antes da seleção de

áreas, "construir uma ponte" unindo as bordas da folha. Utilizando-se o mouse, foram

selecionadas duas fileiras de pixels onde se supunha ter sido a margem da folha, as

quais teve sua cor alterada para uma semelhante às das folha (Figura 1H). Então,

selecionaram-se a área foliar total e a área daquela injúria, com a "varinha mágica".

Para cada folha, estimaram-se a área foliar total, a área desfolhada (consumida)

e a severidade da desfolha (percentagem da área foliar desfolhada) por esses

diferentes métodos. A acurácia é o complemento do erro da estimativa, normalmente

sendo expressa em percentagem. O erro é o valor estimado menos o valor real. A

precisão relaciona-se à variação associada ao erro. Quanto menor a variabilidade do

erro, maior a precisão. Como não há um método padrão para mensurar a área

injuriada, selecionou-se, neste estudo, o método de contagem de quadrículas em

papel milimetrado como o padrão. Para a variável área foliar todas, as mensurações

realizadas com o medidor de área LI-3100 foram consideradas padrão.

Para verificar a acurácia e precisão das estimativas de áreas de um método, foi

utilizada a análise de regressão linear simples (Campbell & Madden, 1990).

Inicialmente utilizou-se o modelo completo: Y = β0 + β1 X + ε, onde Y são os valores de

áreas dos botões estimadas pelo QUANT, X, os valores padrão, estimados com a

equação do círculo, a partir do diâmetro mensurado com micrômetro e ε, o erro

associado ao modelo. Quando β0 não diferiu estatisticamente de zero (P > 0,05) e os

dados obtidos demonstravam claramente que a reta estimada tendia a passar pela

origem (Y = X = 0), efetuou-se nova análise de regressão linear simples, através da

origem, segundo o modelo: Y = β1 X + ε (Neter et al., 1996). Utilizou-se o teste t para

testar a hipótese β1 = 1. Quando X são as mensurações realizadas com o método

padrão, o valor estimado de β1 é um indicativo de acurácia e o valor do coeficiente de

determinação, r2, representa a precisão das mensurações do outro método

considerado na análise. Isto permite que a acurácia seja representada por somente

um parâmetro da equação da reta. Quando X não representa as mensurações do

método padrão, o valor estimado de β1 é um indicativo da concordância entre as

mensurações. As análises de regressão linear foram feitas com o software “Statistica

for Windows 5.5” (Statsoft, 2000).

44

Figura 3. Tela do QUANT apresentando detalhe de uma folha de pimentão com

seleção de uma área injuriada cujas cores foram alteradas para branco

(acima) e de uma segunda injuria (abaixo) com a "varinha mágica" e a

estimativa das respectivas áreas na janela ao centro.

45

RESULTADOS E DISCUSSÃO

A resolução da imagem não afetou as estimativas de área pelo QUANT. As

estimativas de área foliar foram exatamente iguais para a imagem da mesma folha,

digitalizada a 100 ou 300 dpi. Com relação a área desfolhada (consumida) a

concordância entre as mensurações foi de 99,7%, como indicado pela estimativa do

parâmetro �1 da equação de regressão. Conseqüentemente, a concordância entre as

mensurações da severidade de desfolha também foi 99,7% (Figuras 4A, 4C e 4E).

Devido a isso, nas análises seguintes foram consideradas somente as estimativas de

áreas de imagens com 100 dpi. O uso de imagens de menor resolução torna a

digitalização e o processamento mais rápidos e demanda menos espaço para arquivar

as imagens. O tamanho do arquivo de uma imagem a 100 dpi é 1/9 em relação à

mesma imagem digitalizada a 300 dpi.

Quando comparadas entre si, as estimativas de área foliar com o uso do QUANT

e com o medidor de área foliar, foram semelhantes, com concordância de 97,8% entre

as mensurações dos dois métodos (Figura 4B). Mas com relação às estimativas de

área desfolhada e severidade, a concordância foi apenas de 77,0 e 80,8%,

respectivamente (Figuras 4D e 4F). Diante desses resultados, surge a questão: qual

dos dois métodos é mais acurado na estimativa da área desfolhada e,

consequentemente, da severidade?

Para esclarecer essa questão, dois avaliadores quantificaram a área desfolhada

por meio de contagem de quadrículas em papel milimetrado. As mensurações dos dois

avaliadores apresentaram 95,6% de concordância entre si (Figura 5), indicando a

46

A

Area foliar (cm2) - Quant 300 dpi

Are

a fo

liar

(cm

2 ) -

Qua

nt 1

00 d

pi

0 20 40 60 80 1000

20

40

60

80

100

Y = 1,0000 ns X r2 = 100,00

B

Area foliar (cm2) - Quant 100 dpi

Are

a fo

liar

(cm

2 ) -

LI 3

100

0 20 40 60 80 1000

20

40

60

80

100

Y = 0,9775** X r 2 = 99,83

C

Desfolha (cm2) - Quant 300 dpi

Des

folh

a (c

m2 )

- Q

uant

100

dpi

0 1 2 3 4 5 6 7 8

0

1

2

3

4

5

6

7

8Y = 1,0033 ns X r2 = 99,89

D

Desfolha (cm2) - Quant 100 dpi

Des

folh

a (c

m2 )

- LI

310

0

0 1 2 3 4 5 6 7 8

0

1

2

3

4

5

6

7

8

Y = 0,7703** X r 2 = 73,23

E

Severidade (%) - Quant 300 dpi

Sev

erid

ade

(%)

- Q

uant

100

dpi

0 2 4 6 8 10 12 14

0

2

4

6

8

10

12

14

Y = 0,9967 ns X r2 = 99,78

F


Sev

erid

ade

(%)

- LI

310

0

0 2 4 6 8 10 12 14

0

2

4

6

8

10

12

14

Y = 1,0765** + 0,6127** X r 2 = 46,92

Figura 4. Comparação entre as estimativas de áreas foliar total e área desfolhada e

severidade com o uso do QUANT, em imagens digitais com resolução de

100 (Quant 100 dpi) ou 300 dpi (Quant 300 dpi), e do medidor de área foliar

Li-Cor Modelo LI-3100. Regressão através da origem. Linha pontilhada: Y =

X, sendo Y a ordenada e X, a abscissa. Hipóteses testadas: β0 = 0; β1 = 1. **

P < 0,01; ns P > 0,05.

47

Desfolha (cm2) - milimetrado 1

Des

folh

a (c

m2)

- m

ilim

etra

do 2

0

2

4

6

8

10

0 2 4 6 8 10

Y = 1,0440** X r2 = 96,29

Figura 5. Comparação entre as estimativas de área desfolhada por meio de contagem

de quadrículas em papel milimetrado entre dois avaliadores. Regressão

através da origem. Linha pontilhada: Y = X, sendo Y a ordenada e X, a

abscissa. Hipótese testada: β1 = 1. ** P < 0,01.

reprodutibilidade deste método. Este método apresenta uma dificuldade própria:

ocorre uma pequena área de sombra em parte da borda interna da injúria, o que

dificulta a estimativa de área (Figura 1B), sendo que essa dificuldade aumenta com a

diminuição da área da injúria. Outro problema é que as quadrículas (1 mm2) do papel

milimetrado da borda da injuria não se apresentam por inteiro, sendo necessário

estimar sua área visível.

Devido aos resultados obtidos no capítulo anterior, onde o medidor de área foliar

apresentou acurácia de 87% ao mensurar as áreas de orifícios em diagramas de

papel, o método do papel milimetrado foi considerado o método padrão para

estimativa de desfolha, neste estudo. Suas mensurações foram comparadas com as

estimativas feitas com o QUANT e com o medidor de área foliar. Baseando-se no valor

estimado de β1 da equação de regressão linear, que é um indicativo de acurácia, e no

valor do coeficiente de determinação, r2, que representa a precisão, constatou-se que

o QUANT apresentou maior acurácia (89,0 a 93,1%) e precisão (97,0%) (Figuras 6A e

6B) que o medidor de área foliar (Figuras 6C e 6D). No capítulo 2, constatou-se que a

acurácia do medidor de área diminui com a diminuição do tamanho da área a ser

estimada, sendo menor que a do QUANT. E na amostra de folhas de pimentão, havia

muitas injúrias pequenas (Figuras 1A, 2 e 3). Segundo o fabricante, com a resolução

de 1 mm2, o medidor de área LI-3100 pode apresentar erro de 2, 5 e 7% ao mensurar

48

A


Des

folh

a (c

m2 )

- Q

uant

100

dpi

0

1

2

3

4

5

6

7

8

0 1 2 3 4 5 6 7 8

Y = 1,1099** X r2 = 97,01

B


Des

folh

a (c

m2 )

- Q

uant

100

dpi

0

1

2

3

4

5

6

7

8

0 1 2 3 4 5 6 7 8

Y = 1,0690** X r2 = 97,04

C


Des

folh

a (c

m2)

- LI

310

0

0

2

4

6

8

10

0 2 4 6 8 10

Y = 0,8754** X r2 = 76,78

D


Des

folh

a (c

m2)

- LI

310

0

0

2

4

6

8

10

0 2 4 6 8 10

Y = 0,8609** X r2 = 76,58


de quadrículas em papel milimetrado por dois avaliadores e com o uso do

QUANT em imagens digitais com resolução de 100 dpi (Quant 100 dpi) (A,

B) ou do medidor de área foliar Li-Cor Modelo LI-3100 (C, D). Regressão

através da origem. Linha pontilhada: Y = X, sendo Y a ordenada e X, a

abscissa. Hipótese testada β1 = 1. ** P < 0,01.

49

objetos de 5, 1 e 0,5 cm2, respectivamente (Li-Cor, 1996). No presente estudo, ocorre

um fato que contribui para a diminuição da acurácia do medidor de área. Enquanto o

QUANT processa imagens de folhas digitalizadas entre lâminas de vidro, ou seja,

imagens de folhas planas, isso não é possível no medidor de área foliar, onde as

folhas são transportadas soltas sobre correia de plástico transparente. Pequenas

dobras na folha ou alteração na posição podem afetar as estimativas de área.

Algumas poucas folhas da amostra apresentavam bordas muito injuriadas,

sendo difícil determinar onde era o limite da margem original da folha (Figura 7). Isto

diminui a acurácia das estimativas por quaisquer dos métodos utilizados. Para

exemplificar, a eliminação de três folhas deste tipo, cujas estimativas na comparação

do QUANT com o método do papel milimetrado (avaliador 1) cujas estimativas da área

injuriada apresentaram maior erro (Figura 6A), proporcionou aumento da acurácia de

89 para 96% (Figura 8).

Diante desses resultados, o QUANT pode ser adotado como método padrão

para mensurar área foliar e área foliar injuriada (consumida) por insetos. O QUANT

apresenta vantagens adicionais, quais sejam poder avaliar simultaneamente a

severidade de injúrias causadas por diferentes insetos e também a severidade de

doenças foliares; e permitir identificar as folhas que não apresentavam o limbo plano

durante o processo de digitalização de sua imagem.

Comparando as estimativas visuais de severidade por seis avaliadores com as

estimativas do QUANT, considerado doravante o método padrão, todos os avaliadores

superestimaram a severidade (Figura 9). Apenas o avaliador número quatro

apresentou alta acurácia (92%). A precisão dos avaliadores variou de 22,3 a 92,1%

(Figura 9). Embora esse método seja rápido, ele é inadequado para estimativa de

áreas injuriadas, devido a sua baixa precisão e acurácia.

Furlan et al. (1999) estimou área foliar total e consumida por herbívoros a partir

de imagens obtidas com uma câmera de vídeo e um software para análise de área

foliar. Alchanatis et al. (2000) avaliaram desfolha causada por larvas de inseto in vitro

com imagens digitais, em tempo real, utilizando uma câmera com CCD

monocromático, adaptada a computador pelo processo de limiarização das imagens.

Porém os autores desses dois estudos não apresentaram informações sobre a

acurácia do método utilizado.

WILCKEN et al. (1998) mensuraram a área foliar consumida por insetos com o

uso de imagens digitalizadas em código binário (preto e branco) a 400 dpi em um

digitalizador de imagens portátil. A imagem foi analisada pelo software PCXAREA (Lier

et al., 1993). Compararam a acurácia deste método na estimativa de áreas de folíolos

50

A

B

C

D

Figura 7. Folhas de pimentão (300 dpi) com intensa injúria nas bordas (A,B, C).

Imagem C com área das injurias selecionadas (D).

51


Des

folh

a (c

m2 )

- Q

uant

100

dpi

0

1

2

3

4

5

6

7

8

0 1 2 3 4 5 6 7 8

Y = 1,041** X r 2 = 98,23


de quadrículas em papel milimetrado pelo avaliador 1 (milimetrado 1) e com

o uso do QUANT em imagens digitais com resolução de 100 dpi (Quant 100

dpi). Os três pontos pretos não foram considerados nesta análise e

correspondem a três folhas com alta intensidade de injuria nas bordas

(Figura 7). Regressão através da origem. Linha pontilhada: Y = X, sendo Y a

ordenada e X, a abscissa. Hipótese testada β1 = 1. ** P < 0,01 (compare

com Figura 6A).

52

A


Sev

erid

ade

(%)

- av

alia

dor

1

0 2 4 6 8 10 12 14

0

2

4

6

8

10

12

14

Y = 0,5356* + 1,5643** X r 2 = 92,66

B


Sev

erid

ade

(%)

- av

alia

dor

2

0 10 20 30 40 50 60 700

10

20

30

40

50

60

70

Y = 4,7307** X r 2 = 82,84

C


Sev

erid

ade

(%)

- av

alia

dor

3

0 5 10 15 20 250

5

10

15

20

25Y = 2,3835** + 0,9262** X r 2 = 33,25

D


Sev

erid

ade

(%)

- av

alia

dor

4

0 2 4 6 8 10 12 14

0

2

4

6

8

10

12

14

Y = 1,0930** + 0,8985** X r 2 = 8,38

E


Sev

erid

ade

(%)

- av

alia

dor

5

0 5 10 15 20 25 30 35 40 450

5

10

15

20

25

30

35

40

45

Y = 2,7925** X r 2 = 81,89

F


Sev

erid

ade

(%)

- av

alia

dor

6

-1 5 10 15 20 25 30 35 40 45-1

5

10

15

20

25

30

35

40

45

Y = 3,5950** + 2,5640** X r 2 = 79,55

Figura 9. Comparação entre as estimativas visuais de severidade de desfolha de seis

avaliadores e com o uso do QUANT em imagens digitais com resolução de

100 dpi (Quant 100 dpi). Linha pontilhada: Y = X, sendo Y a ordenada e X, a

abscissa. Hipóteses testadas: β0 = 0; β1 = 1. * P < 0,05; ** P < 0,01.

53

e discos de folhas de soja, de 18 a 27 cm2 com dois outros métodos: a) desenho do

folíolo de soja em papel sulfite antes e depois de serem oferecidos às lagartas e

posterior medição da área com uso de planímetro. O método de imagens digitais, em

comparação com o planímetro apresentou 96,9% de acurácia média e c.v. de 18,7 a

23,4%; b) desenho dos discos de soja em papel sulfite antes e depois de serem

oferecidas às lagartas, recortando-os e pesando-os em balança de precisão e

estimando as áreas a partir dos pesos. O método de imagens digitais, em comparação

com o método da pesagem apresentou 95,4% de acurácia média e c.v. de 9%. A

redução no tempo de avaliação foi de mais de 87%, usando o método das imagens

digitais em relação aos outros dois.

Os resultados obtidos neste estudo demonstram que as estimativas visuais de

severidade apresentam baixa acurácia e precisão. Não sendo um método

recomendável para avaliar desfolha. O método de contagem da área injuriada com o

uso de papel milimetrado tem duas limitações: baixa resolução, pois o tamanho de sua

menor quadrícula é 1 mm2; e está sujeito a subjetividade do avaliador ao mensurar as

quadrículas na borda da injúria. O medidor de área foliar LI-3100 tem a limitação de

aumento do erro com a diminuição a área a ser mensurada. Além disso, é necessário

fazer duas mensurações: uma da área foliar intacta e a outra da área foliar total. Para

tanto, é necessário colocar fita adesiva opaca sobre cada orifício (injúria) da folha. A

área desfolhada é obtida pela subtração das duas mensurações. Assim, um erro em

uma das mensurações influencia duas variáveis. Assim, é recomendável que se façam

três leituras de cada variável, para cada folha, no LI-3100. Portanto, as mensurações

demandam tempo e devem ser realizadas em um curto espaço de tempo após a

coleta das folhas, pois sua desidratação pode afetar os resultados. Posteriormente,

não há como conferir (refazer) alguma mensuração. Diante dos resultados obtidos, o

QUANT pode ser adotado como método padrão para mensurar área foliar e área foliar

injuriada (consumida) por insetos.

54

CAPÍTULO 3

AVALIAÇÃO DA INTENSIDADE DE MANCHA DE CERCOSPORA EM

FOLHAS DE CAFEEIRO COM O USO DO SOFTWARE QUANT

RESUMO

Foram avaliadas a acurácia e a precisão de diferentes procedimentos do

software QUANT na mensuração da área foliar total, da área lesionada e da

severidade da mancha parda (Cercospora coffeicola) em 58 folhas de cafeeiro (Coffea

arabica), usando imagens digitais, com resolução de 150 dpi. A severidade foi

estimada visualmente por cinco avaliadores. A área lesionada foi mensurada com o

medidor de área Li-cor modelo LI-3100 e por meio de contagem direta observando-se

as imagens digitais obtidas com papel milimetrado como fundo. Para tanto, as lesões

foram previamente retiradas da folha com o auxilio de um bisturi. As estimativas de

áreas com o procedimento de seleção de áreas com a varinha mágica foi

arbitrariamente considerado o padrão do QUANT. Essas estimativas de área foliar

apresentaram 99,3% de concordância com as do LI-3100. Nas estimativas das áreas

lesionadas, quando comparados com o método do papel milimetrado, o QUANT

apresentou acurácia de 97,9% e o LI 3100, de 83,7%. Imagens com contraste

previamente alterado, segundo três protocolos, tiveram as áreas foliares estimadas por

meio de três procedimentos do QUANT, que quando comparados com o procedimento

padrão, apresentaram acurácia de 98,6 a 100% e precisão de 99,99%. Com relação à

55

área lesionada, os procedimentos de limiar preto e branco, função discriminante e

redução para 32 cores, apresentaram alta acurácia (96,6 a 99,6%) e precisão (≥

99,3%). Nas estimativas de severidade o procedimento de redução para 32 cores

apresentou acurácia superior a 99%, enquanto as função discriminantes e o intervalo

de coordenadas de cores apresentaram acurácia inferior. As estimativas de

severidade do QUANT (padrão) não apresentaram boa concordância com as do

medidor de área foliar LI-3100. Dos cinco avaliadores que estimaram visualmente a

severidade de doença, somente um apresentou acurácia (97%) e precisão (94%)

elevadas. Quatro usuários do QUANT estimaram área foliar em 16 folhas, usando o

procedimento de seleção de área com a varinha mágica, obtendo acurácia superior a

99%. Três usuários estimaram área lesionada usando este procedimento, e também o

procedimento de limiarização, obtendo acurácia entre 96 e 98%. O QUANT

disponibiliza vários algoritmos para melhorar o contraste da imagem, Com isso,

mesmo os sintomas de doenças onde o sistema visual humano tem dificuldade de

distinguir entre área foliar sadia e doente, podem ser quantificados com o uso do

QUANT. Propõe-se que o QUANT seja adotado como padrão na mensuração de

severidade de doenças de plantas.

Palavras-chaves: análise de imagens, fitopatometria.

ABSTRACT

It was evaluated the accuracy and precision of the different procedures of the

software QUANT in the mensuration of the foliar area, diseased area and severity of

Cercospora leaf spot (Cercospora coffeicola) in 58 leaves of coffee (Coffea arabica),

using digital images at dpi. The severity was visually estimated by five evaluators. The

diseased area was estimated with the meter of area Li-cor model LI-3100 and through

direct counting being observed the digital images obtained with graph paper squared 1

mm as bottom. The lesions were previously removed of the leaf. The estimates of

areas with the procedure selection of areas with the magic rod were arbitrarily

considered the standard of QUANT. These estimates of foliar area showed 99.3% of

agreement with the ones of the LI-3100. In the estimates of the diseased areas, when

compared with the method of the graph paper squared 1 mm, QUANT showed

accuracy of 97.9% and the LI-3100, 83.7%. Images with contrast previously

challenged, according to three protocols, had the foliar areas estimated by three

56

procedures of QUANT, that when compared with the standard procedure, they

presented accuracy from 98.6 to 100% and precision of 99,99%. The procedures of

threshold, discriminant functions and reduction for 32 colours showed high accuracy

(96.6 to 99.6%) and precision (99.3%) on the estimations of diseased area. Estimating

severity, the procedure reduction for 32 colours showed higher accuracy (99%) then

discriminant functions and the interval of colour coordinates. The standard estimates of

severity by QUANT didn't show good agreement with the ones of the LI-3100. Among

five visual evaluators, only one showed high accuracy (97%) and precision (94%). Four

users of QUANT estimated foliar area in 16 leaves, using the procedure of area

selection with the magic rod, obtaining accuracy > 99%. Three users estimated

diseased area using this procedure, and also the threshold, obtaining accuracy

between 96 and 98%. QUANT makes available several algorithms to improve the

contrast of the image, which allow that, even the symptoms where the eye human

system has difficulty of distinguishing among healthy and diseased foliar area, they can

be quantified by QUANT. It is proposed that QUANT should be adopted as standard

(golden method) in the mensuration of severity of plant diseases.

Key words: image analysis, phytopathometry.

57

INTRODUÇÃO

A fitopatometria (Large, 1966) é a estimação da intensidade de doença presente

em um determinado tempo em uma população de plantas, sendo indispensável a

diversos estudos fitopatológicos. A intensidade de doença pode ser mensurada como

incidência, que é a percentagem de plantas doentes, ou de suas partes na população;

ou como severidade, que é a percentagem da área ou do volume do tecido vegetal

coberta com sintomas. A incidência é usada para doenças que afetem toda a planta,

como o caso das viroses sistêmicas e das murchas vasculares, ou para aquelas em

que uma única lesão impede a comercialização do produto, como a podridão dos

frutos. A severidade é mais apropriada para medir doenças foliares (Bergamin Filho &

Amorim, 1996).

Para tornar a estimativa de severidade rápida e prática, duas estratégias têm

sido tradicionalmente utilizadas: as chaves descritivas, que são escalas de notas

arbitrárias, e as escalas diagramáticas, que são representações ilustradas de uma

série de plantas ou de seus órgãos, principalmente folhas, com diferentes níveis de

severidade, que auxiliam o avaliador a estimar visualmente a severidade da doença

(Campbell & Madden, 1990; Amorim, 1995). Contudo, reduzidas acurácia e precisão

na estimação visual da severidade de doenças, mesmo por avaliadores experientes,

têm sido relatadas por Smith et al. (1969), Sherwood et al. (1983), Lindow & Webb

(1983), Forbes & Jeger (1986), Shokes et al. (1987), Beresford & Royle (1991), Carmo

et al. (1991), Weber & Jorg (1991), Parker et al. (1993, 1995), Giglioti & Canteri (1998),

Martin & Rybicki (1998) e outros citados por Kranz (1988). Diante dessas

constatações, foram desenvolvidos alguns softwares para treinar avaliadores de

58

severidade de doenças, como o "Areagram" (Shane te al., 1985), o “Distrain” (Tomerlin

& Howell, 1988), o “Disease.Pro” (Nutter & Worawitlikit, 1989), o "Estimate" (Weber &

Jörg (1991), e o “Combro” (Giglioti & Canteri, 1998; Canteri & Giglioti, 1999). Embora o

treinamento aumente a acurácia das avaliações, segundo Parker et al. (1993), há

evidências que seus efeitos benéficos duram pouco tempo após o treinamento.

Para mensurar objetivamente a severidade de doenças foliares é necessário

mensurar a área de cada folha e a área lesionada. Há diversos métodos para

mensurar a área foliar: a) por meio de equações de regressão linear em função de

variáveis como largura e comprimento da folha (Barros & Maestri, 1973; Alfonsi et al.,

1974; Gomide et al., 1976; Garçon et al., 2001); b) por meio de pesagens de cópia

xerográfica ou heliográfica da folha (Silveira, 1972); c) com o uso de medidores

eletrônicos de área foliar (Blanco et al., 1991; Urchei et al., 2000; Aguiar Netto et al.,

2000); d) uso do planímetro em fotografia comum da folha (Lindow & Webb, 1983); e)

uso de imagens digitais (Leister et al., 1999); e f) uma combinação de imagens digitais

com métodos analógicos (Martin & Rybicki, 1998), ou seja, colocando plástico ou

papel transparente sobre a folha, realizando o desenho de suas bordas com uma

caneta e, posteriormente quantificar a área foliar por meio da análise da imagem

digitalizada do desenho. O realce das bordas também pode ser feito na fotografia

comum da folha que posteriormente é digitalizada em um scanner, para análise.

Qual desses métodos é o mais adequado? A estimativa da área foliar por meio de

equações de regressão, implica em um erro intrínseco associado ao modelo

matemático. No segundo método, podem ocorrer erros durante a obtenção da cópia

xerográfica, por ampliação ou redução, e na realização das pesagens, o que exige

balança de alta resolução e papel com densidade homogênea. O planímetro tem baixa

resolução e está sujeito a erros do operador. Além disso, alguns métodos implicam em

destruição da amostra, tais como o método da cópia xerográfica e o do medidor

eletrônico. O uso de equações lineares implica em manuseio da planta para

mensurações de comprimento ou largura da folha. Quando forem mensuradas muitas

folhas, haverá estresse em plantas herbáceas. Atualmente, a mensuração de área

foliar, por meio do medidor eletrônico de área, provavelmente pode ser considerada o

método padrão, devido a sua acurácia bem como à disponibilidade desses

equipamentos em muitos laboratórios. Rossiello et al. (1995) obtiveram acurácia maior

que 99,17% ao estimarem áreas previamente conhecidas de 242 a 1227 cm2 com o

medidor de área foliar Li-cor modelo LI 3000. Segundo o fabricante, com a resolução

de 1 mm2, o modelo LI 3100 pode apresentar erro de 1 e 2 % ao mensurar objetos

planos de 10 e 5 cm2, respectivamente (Li-cor, 1996).

59

A dimensão da lesão e sua expansão são consideradas importantes

componentes epidemiológicos (Berger et al., 1997). A área das lesões têm sido

mensurada por diversos métodos objetivos: a) com o uso de transparência milimetrada

colocada sobre a folha lesionada (Fernandes, 1988); b) obtendo-se cópia xerográfica


pesagens (Sherwood et al., 1983); c) pela mensuração do comprimento (C) e largura

(L) da lesão e usando a fórmula da elipse para obtenção da área (A): A = C x L / 4. A

mensuração tem sido feita com régua, paquímetro (Emge et al., 1975; Subbarao &

Michailides, 1995) ou com ocular micrométrica (Shaner, 1983). Em alguns estudos,

estima-se a área média de uma amostra de lesões e multiplica-se pelo número de

lesões na folha (Beresford & Royle (1991); d) uso do planímetro em fotografia comum

da folha (Lindow & Webb, 1983); e) a área da lesão desenhada em plástico

transparente para depois se obter uma cópia em papel. As lesões foram então

recortadas e medidas através de um medidor eletrônico de área foliar (Nogueirol et al.,

2003); f) desenho das lesões em papel acetato colocado sobre fotografia comum da

lesão. Os desenhos são digitalizados e usados para mensuração (Chungu et al.,

1997); g) com o uso de imagens digitais, usando o planímetro virtual (ferramenta de

seleção manual de áreas, comum em muitos softwares de processamento de

imagens) para desenhar uma linha sobre a borda da lesão, com o mouse do

computador (Tucker & Chakraborty, 1997, 2001; Oliveira et al., 2001; Pei et al., 2002);

h) obtenção de duas imagens da mesma folha com câmera de vídeo digital com

diferentes filtros (Sah & Fehrmann, 1992); i) utilizando o processo de limiarização de

imagens digitais (Maruti et al., 2002; Berner & Paxson, 2003; Martin & Rybicki, 1998;

Kampmann & Hansen, 1994); j) a lesão foi contornada com tinta de caneta na própria

folha e, após a digitalização da imagem, utilizou-se a varinha mágica do software para

selecionar e, automaticamente estimar, a área lesionada (Miller et al. 2003; Nougueirol

et al., 2003). Em alguns estudos, este último método é usado para obtenção de

estimativas de área consideradas padrão para comparação com as estimativas feitas

por processo de limiarização de imagens digitais.

Quantificar a severidade de doenças com acurácia é uma tarefa difícil e que

consome tempo. É impraticável contar e medir o tamanho de lesões individuais em

grandes amostras. Alguns pesquisadores, com fins de elaboração de escalas,

começaram a usar imagens digitais para mensurar a severidade em diagramas

(Stonehouse, 1994; Falloon et al., 1995) ou em folhas doentes (Bacchi et al., 1992;

Oliveira et al., 2001). Leister et al. (1999) avaliaram a área foliar de todas as folhas de

Arabidopsis thaliana com o uso de imagens obtidas por câmera de vídeo acoplada a

computador. Sistemas de análise de imagens digitais tem sido usado para quantificar

60

a intensidade de algumas doenças (Lindow, 1983; Lindow & Webb, 1983; Sah &

Fehrmann, 1992; Kokko et al.,1993, 1995, 2000; Kampmann & Hansen, 1994; Todd, &





O software Quant está sendo desenvolvido desde 2000, para quantificar áreas

em imagens digitais. Seu objetivo principal é quantificar severidade de doenças (Vale

et al., 2001, 2003). Este estudo trata do desenvolvimento desse software e da

avaliação de sua acurácia e precisão na estimativa de severidade de doenças e de

injúrias causadas por inseto. O objetivo deste trabalho foi avaliar a acurácia e precisão

do QUANT na determinação da severidade de doenças em folhas de plantas,

utilizando como exemplo a mancha parda (Cercospora coffeicola Berk. & M.A. Curtis)

do cafeeiro (Coffea arabica L.).

61

MATERIAL E MÉTODOS

O experimento foi conduzido em 2003, no Laboratório de Epidemiologia e

Controle da Universidade Federal de Viçosa, para avaliar a acurácia e precisão do

software QUANT na estimativa de severidade de mancha parda causada pelo fungo C.

coffeicola em folhas de cafeeiro, com o uso de imagens digitais.

Amostras de folhas: Coletaram-se 58 folhas de mudas de cafeeiro com mancha

parda e que não apresentavam lesões de ferrugem (Hemileia vastatrix Berk. &

Broome), nem injúrias por bicho mineiro (Leucoptera coffeella), nem áreas

depreendidas naturalmente das lesões. Para evitar desidratação, logo após sua coleta,

as folhas foram colocadas entre papel umedecido com água fresca e dentro de sacos

de polietileno fechados, e transportadas dentro de caixa de isopor para o laboratório,

onde foram colocadas em geladeira (Liberato et al., 1996). Logo a seguir, grupos de

cinco a dez folhas foram retirados da geladeira e enxugados, com papel toalha, para

manuseio. Após, as folhas foram recolocadas na geladeira, entre papel umedecido,

dentro de sacos plásticos fechados. Esse cuidado foi adotado em todos os

procedimentos de manuseio das folhas, que foram completados até o dia seguinte ao

da coleta. Aparentemente, as folhas não apresentaram sintomas visíveis de

desidratação, o que poderia afetar as estimativas de área.

Obtenção de imagens digitais: cada folha foi disposta entre duas lâminas de vidro

liso transparente (2,11 mm de espessura), para que ficassem o mais planas possível,

sobre um digitalizador de imagem tipo mesa (scanner) HP modelo Scanjet 3C.

62

Imagens da face abaxial da folha foram obtidas e digitalizadas em arquivo do tipo

matricial formato Windows Bitmap, não-comprimido, com resolução de 150 dpi (pixels

por polegada). Foi utilizada uma caixa de isopor forrada de papel cartão de cor preto

fosco, colocada em cima da área de aquisição de imagem do scanner, para que o

fundo da imagem digitalizada fosse de cor preto, evitando assim a interferência de

sombreamento nas bordas da folha. Utilizou-se um computador com processador

Pentium III, 450 MHz, com 128 MB de memória RAM, com monitor Waitec modelo

MPSV-1720, 16", true color (32 bits), com configuração de tela de 1024 x 768 pixels.

Neste estudo, o termo imagem refere-se à imagem digital.

Estimativas de área foliar sadia e lesionada por métodos tradicionais: Cada folha

teve sua área estimada com o uso do medidor de área Li-cor modelo LI-3100 na

resolução de 1 mm2. Foram feitas três leituras de área em cada folha. Neste estudo, o

termo área foliar refere-se à soma da área do limbo foliar sadio com a área lesionada

pela doença.

Sob lupa, as lesões de mancha parda foram retiradas das folhas, com o uso de

um bisturi. Em seguida, foram obtidas duas imagens digitais de cada folha cortada,

uma, segundo o mesmo processo das folhas intactas, e outra utilizando como "fundo"

da imagem, uma folha de papel milimetrado (Figura 1). A área de cada folha cortada

foi também estimada com o uso do medidor de área Li-cor, realizando-se três

mensurações. Obteve-se a área lesionada de cada folha, por diferença entre as

médias da área da folha intacta e da área da folha cortada.

As imagens das folhas intactas e das folhas cortadas foram comparadas.

Descartaram-se 18 folhas cujos cortes das lesões não foram considerados adequados

ou ocorreu dobras nas folhas durante a digitalização. A área lesionada de cada folha

foi estimada observando-se imagens digitais, obtidas com papel milimetrado como

fundo, por meio de contagem direta de cada quadrado de 1mm2 de área (Figura 1C,

2). Preferiu-se utilizar imagens digitais ao invés de estimar a área com a folha fresca

sobre papel milimetrado para as imagens arquivadas possibilitassem uma nova

estimativa de área, caso necessário e para que as estimativas de áreas pudessem ser

feitas calma e cuidadosamente.

A severidade da doença, percentagem da área foliar lesionada, foi estimada

visualmente por cinco avaliadores, observando as imagens digitais de folhas

individuais no monitor do computador.

63

A B

C

Figura 1. Folha de cafeeiro com mancha parda (A) e sem a lesão, retirada com um

bisturi (B). Imagem (B) digitalizada com papel milimetrado como fundo (C).

Figura 2. Detalhe da área da folha de cafeeiro (Figura 1C), de onde foi cortada a lesão

de mancha parda. A área lesionada é estimada contando-se o número de

quadrículas de 1mm2.

64

Melhoria do contraste das imagens originais: com o uso dos recursos do QUANT,

tais como filtros, contrastes, negativo, canais de cores e operações matemáticas entre

imagens, foram feitas diversas tentativas para melhorar o contraste entre área sadia e

área lesionada e "fundo" das imagens, antes do processamento das imagens para

estimativa de áreas. Alguns deles são apresentados na Figura 3 e Tabela 1.

Selecionaram-se três tipos de contrastes de imagem, apresentados nas figuras

3F, 3M e 3N, os quais foram denominados de protocolos p1, p2 e p3, respectivamente,

e são descritos na Tabela 1 e representados nas Figuras 4 a 6. Os histogramas do

brilho dessas imagens são apresentados na Figura 7. A observação dos histogramas

indica que as melhores imagens para segmentação de áreas são as obtidas pelos

protocolos p2 e p3.

Processamento das imagens digitais para estimativa de áreas com o QUANT:

cada uma das 58 imagens originais foi processada pelo QUANT para originar três

outras imagens de acordos com os protocolos p1, p2 e p3. A partir das imagens

originais, das imagens p1, p2 e p3, e das imagens das folhas cortadas, totalizando 290

imagens, sendo cinco de cada folha, foram estimadas a área foliar e a área lesionada

utilizando diferentes procedimentos de seleção de cor e de área do QUANT.

- Imagens originais: utilizando-se o procedimento de seleção de área ("varinha

mágica") selecionou-se a área completa de cada folha (incluindo a área injuriada) e

obteve-se automaticamente o valor (cm2) da respectiva área (Figura 8). Com esse

procedimento, ao clicar sobre um pixel da imagem do botão, o software seleciona esse

pixel e todos os pixels vizinhos contíguos cujas coordenadas RGB de cores estejam

dentro de uma gama de valores, a qual é definida pela "tolerância" pré-estabelecida.

Utilizaram-se valores de tolerância que permitissem a seleção adequada da área foliar

total. Esses valores variaram de acordo com a folha. Esse procedimento foi realizado

por dois avaliadores, sendo que as estimativas do segundo avaliador foram

arbitrariamente consideradas como padrão do QUANT e utilizadas para comparar a

acurácia dos demais procedimentos disponibilizados neste software.

- Imagens de folhas cortadas: O mesmo procedimento descrito acima foi usado para

estimar a área de cada lesão. Usando varinha de seleção, selecionou-se a área onde

anteriormente havia lesão da doença e que foi seccionada. Trocou-se sua cor para,

por exemplo, azul (Figura 9). Usando o procedimento de intervalo de cores, trocaram-

se todas as demais cores para, por exemplo, branco. Estimaram-se as áreas

ocupadas por ambas.

65

A

B

C D

E

F

G

H I

J

L

M

N O

P

Figura 3. Imagem original (A) e derivadas com o uso do QUANT (B-P) (ver texto e Tabela 1)

66

TABELA 1 – Descrição da obtenção de algumas novas imagens com alteração do contraste com o uso do QUANT

Figura Numero

de cores1

Descrição das operações seqüenciais feitas na imagem original

3A 27.937 Original

3B 76 1. Canal magenta; 2. Negativo; 3-5. Contraste quadrado (3X)**; 6.

Filtro mediana; 7. Negativo; 8-9. Contraste quadrado (2X).

3C 76 ... 10. Canal black da imagem 3B.

3D 106 1. Canal magenta; Negativo; 3. Contraste quadrado.

3E 53 ... 11-14. Contraste quadrado (2X) da imagem 3C.

3F (p1)* 102 1.Canal Hue; 2.contraste raiz; 3. filtro mediana.

3G 90 1. Negativo; 2. Canal Hue.

3H 129 1. Operações entre canais: G dividido por B.

3I 107 1. Canal magenta; 2. Contraste logaritmo.

3J 56 1. Canal magenta; 2. Negativo; 3-7. Contraste quadrado (5X); 8.

Filtro mediana; 9. Negativo; 10-11. Contraste quadrado (2X)*

3L 225 Imagem I: 1. Negativo; 2. Canal ciano; 3. Filtro excluir brilho.

Imagem II: 1. Canal magenta; 2. Negativo; 3-7. Contraste quadrado

(5X); 8. Filtro mediana; 9. Canal black; 10-12. Contraste

quadrado (3X);

Imagem III: 1. Soma (com fator zero) das imagens I e II; 2. Filtro

excluir brilho.

3M (p2) 2.636 Imagem I: 1. Filtro excluir brilho.

Imagem II: 1. Canal magenta; 2. Negativo; 3-7. Contraste quadrado


quadrado (3X); 13. Filtro excluir brilho.

Imagem III: 1. Média (com fator zero) das imagens I e II.

3N (p3) 175 Imagem I: 1. Canal magenta; 2. Negativo; 3-7. Contraste quadrado


quadrado (3X);

Imagem II: 1. Negativo; 2. Canal ciano; 3. Filtro excluir brilho.

Imagem III: 1. Soma (com fator zero) das imagens I e II; 2. Filtro

excluir brilho. 3. Contraste logaritmo

30 55 1. Filtro morfológico erosão red, com valor de limite = 80.

3P 2.070 1. Filtro variância; 2. Contraste quadrado; 3. Negativo. 1 Sistema de cores RGB; * protocolo; ** número de repetições do procedimento.

67

A B

C

D

Figura 4. Operações seqüenciais para a obtenção das imagens do protocolo p-1.

Imagem original (A); canal hue de A (B); contraste raiz de B (C). Filtro

mediana de C (D).

68

A B

C

D E

F

G

H

I

J L

M

N

O

P

Q R

S

Figura 5. Operações seqüenciais para a obtenção das imagens do protocolo p-3.

Imagem original (A), canal magenta (B), negativo (C), cinco repetições de contraste quadrado (D-G), filtro mediana (H), canal black (I), três repetições de contraste quadrado (J-M). Negativo de A (N), canal ciano (O), filtro excluir brilho (P). Soma de M e P (Q), filtro excluir brilho (R), contraste logaritmo (S) (vide tabela 1).

69

A B

C

D

E

Figura 6. Resumo das operações seqüenciais para a obtenção das imagens do

protocolo p-2. Imagem original (A), filtro excluir brilho (B). Figura 5M do

protocolo 23 (C), filtro excluir brilho de C (D). Média de B e D (E) (vide tabela

1).

70

A

B

C

D

Figura 7. Histograma do brilho de uma imagem original (Figura 3A) (A) e da mesma

imagem com melhoria de contraste segundo o protocolo p1 (Figura 4) (B), p2 (Figura 6) (C) e p3 (Figura 5) (D).

Figura 8. Tela do QUANT apresentando seleção da área foliar com a "varinha

mágica" e a estimativa da área na janela ao centro.

71

A

B

C

Figura 9. Tela do QUANT apresentando uma folha de cafeeiro com área da lesão secionada e

selecionada com a "varinha mágica" e a estimativa da área na janela ao centro (A). Detalhe da área selecionada (B), cuja cor foi alterada para azul (C).

72

No caso das folhas com lesões na borda (Figura 1B), foi necessário, antes da seleção

de cores, "construir uma ponte" unindo as bordas da folha. Utilizando-se o mouse,

foram selecionadas duas fileiras de pixels onde se supunha ter sido a margem da

folha, as quais teve sua cor alterada para uma cor próxima a uma das cores da folha

(Figura 10). Isso permitiu selecionar a área secionada daquela lesão, com a "varinha

mágica" de seleção. Quando a área secionada da borda da folha era extensa, a área

daquela lesão foi estimada na imagem original. Essas estimativas de área lesionada

foram consideradas as estimativas padrão do QUANT e utilizadas para comparar a

acurácia dos demais procedimentos deste software.

- Imagens do protocolo p1: utilizou-se a seleção de cores e estimativa das áreas por

meio de funções discriminantes. Selecionaram-se dez imagens e de cada uma, foram

obtidas três amostras, uma da área foliar sadia, uma da área lesionada e outra do

fundo da imagem. De cada amostra com cerca de 500 pixels foram obtidas as

coordenadas de cores RGB e HSV de cada pixel. Obteve-se então um arquivo com

seis coordenadas de cores de cerca de 15 mil pixels. Com o uso do software

“Statistica for Windows 5.5” (Statsoft, 2000) foram estimadas três funções

discriminantes, uma para área foliar sadia, uma para área lesionada e outra para o

fundo da imagem (Figura 11A, 11B e 11C).

- Imagens do protocolo p2:

a) procedimento "limiar preto e branco" (threshold): A imagem foi reduzida a

duas cores, preto e branco. Utilizou-se valor limiar de 135, de modo que as lesões

apresentaram-se brancas e o resto da imagem, preto.

Para cada pixel Pij da imagem P, calcula-se um valor Tij:

Tij = (0,2 x Rij + 0,7 x Gij + 0,1 Bij), sendo 0 ≤ Tij ≤ 255.

Na imagem resultante Q, o valor das coordenadas de cores para cada pixel Qij

será:

se Tij (Pij) ≥ 135, então Qij será um vetor R*ij = G*ij = B*ij = 255 (branco absoluto).

se Tij (Pij) < 135, então Qij será um vetor (1 x 3) onde R*ij = G*ij = B*ij = 0 (preto

absoluto).

A imagem Q terá duas cores e o QUANT fornecerá a área ocupada por cada

uma, sendo a área com a cor branca, a área lesionada. Neste procedimento, não foi

estimada a área foliar (Figura 11D, 11E e 11F).

b) procedimento "redução do número de cores": os milhares de cores das

imagens tipo p2 foram reduzidos a 32 cores, as quais são representadas em paletas

em uma janela ao lado da imagem principal. Selecionando-se as paletas com as cores

da área lesionada, alterou-se todas essas cores para uma única. Repetiu-se o

73

procedimento para área sadia e fundo da imagem. A imagem resultante apresentou

três cores apenas e o QUANT forneceu os valores de áreas preenchidas com cada

uma das três cores (Figura 11G, 11H e 11I).

- Imagens do protocolo p3:

a) procedimento "redução do número de cores": conforme citado para as

imagens do protocolo p2 (Figura 12A, 12B e 12C).

b) procedimento "limiar preto e branco" (threshold): conforme citado para as

imagens do protocolo p2, porém o valor limiar foi 255 (Figura 12C, 12D e 12E).

c) procedimento "seleção por intervalo de coordenadas de cores": Foram feitas

as alterações de cor na seguinte ordem:

Para os pixels com RGB = [255, 255, 255], alterou-se para cor azul (RGB = [0, 0,

255]) (lesão);

Para os pixels com RGB = [0, 0, 110], então se alterou a cor para azul claro

(RGB = [0, 255, 255]) (fundo);

Para os pixels com 0 <=B <=254, alteraram-se essas cores para cinza claro

(RGB = [200, 200, 200]).

Como alguns poucos pixels não preenchiam nenhuma das três condições acima,

suas cores não foram alteradas. Assim, utilizou-se, a seguir o procedimento redução

para três cores (Figura 12G, 12H e 12I).

- Análises estatísticas: estimaram-se a área foliar, a área lesionada pela doença e a

severidade da doença (percentagem da área foliar lesionada) pelos diferentes

métodos citados. Para comparar dois métodos de estimativa de áreas, utilizou-se

análise de regressão linear simples (Campbell & Madden, 1990). Inicialmente utilizou-

se o modelo completo: Y = β0 + β1 X + ε, onde Y e X são os valores estimados pelos

dois métodos e ε, o erro associado ao modelo. Quando β0 não diferiu de zero (P >

0,05) e os dados obtidos demonstravam que a reta estimada tendia a passar pela

origem (Y = X = 0), efetuou-se nova análise de regressão, através da origem, segundo

o modelo: Y = β1 X + ε (Neter et al., 1996). Testou-se a hipótese β1 = 1 com o teste t.

Quando X são as mensurações realizadas com o método padrão, o valor estimado de

β1, multiplicado por 100, é indicativo da acurácia e o r2, coeficiente de determinação,

representa a precisão das mensurações do outro método. Isto permite que a acurácia

seja representada por somente um parâmetro da equação da reta. Quando X não

representa as mensurações do método padrão, o valor estimado de β1 é um indicativo

da concordância entre as mensurações. As análises de regressão linear foram feitas

com o software “Statistica for Windows 5.5” (Statsoft, 2000).

74

Figura 10. Detalhe da Figura 1B. Folha com lesão secionada na borda, com uma

"ponte" para separar a área secionada do "fundo" da imagem (H).

75

RESULTADOS E DISCUSSÃO

As estimativas da área foliar com o procedimento de seleção de área com a

varinha mágica, utilizando imagens originais, feitas por dois usuários do QUANT foram

praticamente iguais, uma indicação da reprodutibilidade do método (Figura 13A). Na

estimativa da área foliar com o uso do QUANT, adotou-se o método de seleção de

área com a "varinha mágica" para ser o padrão de comparação do software, pois este

método apresentou acurácia de 98,37 a 99,90% ao mensurar objetos de 0,3 a 50 cm2,

em imagens com resolução de 100 ou 150 dpi (capítulo 2). As estimativas do segundo

avaliador foram consideradas como padrão de área foliar. Baseando-se na estimativa

do parâmetro β1, da equação de regressão linear simples, as estimativas padrão do

QUANT apresentaram concordância de 99,32% com as estimativas feitas com o uso

do medidor de área foliar Li-cor modelo LI-3100 (Figura 13B).

As funções discriminantes (FD) estimadas para a classificação dos pixels da

imagem em um dentre três grupos foram:

FD 1 (fundo): 0 R – 1,09861 [cor branco: R=G=B=255]

FD 2 (folha sadia): 8,059 R – 414,938 [cor cinza claro: R=G=B=200]

FD 3 (lesão): 5,580 R – 199,461 [cor cinza escuro: R=G=B=100]

Onde R é o valor da coordenada red (vermelho) no sistema de cores RGB. Não foram

utilizados os dado das bandas G (verde) e B (azul) na estimativa das funções

discriminantes, porque os dados dessas duas variáveis apresentam alta correlação

linear simples com os dados da variável R, o que pode induzir a erros nas estimativas

dos coeficientes das FDs.

76

A

B

C

D

E

F

G

H

I

Figura 11. Imagens originais (A, D, G), após alteração do contraste pelo protocolo p1

(B) ou p2 (E, H) (vide texto). Imagens com duas ou três cores, resultado do

processamento pelo QUANT a partir das imagens B, E, e H, segundo os

procedimentos: função discriminante (C), limiar preto e branco (F) e redução

de cores por paleta (I).

77

A

B

C

D

E

F

G

H

I

Figura 12. Imagens originais (A,D, G), após alteração do contraste pelo protocolo p3

(B, E, H) (vide texto). Imagens com três cores, resultado do processamento

pelo QUANT a partir das imagens B, E, e H, segundo os procedimentos:

redução de cores por paleta (C), limiar preto e branco (F) e seleção por

intervalo de coordenadas de cores (I).

78

A

Área foliar (cm2) - Quant 2 (padrão)

Áre

a fo

liar

(cm

2 ) -

Qua

nt 1

0 10 20 30 40 50 600

10

20

30

40

50

60 Y = 1,0003 ns X r2 = 99,99%

B

Área foliar (cm2) - LI 3100

Áre

a fo

liar

(cm

2 ) -

Qua

nt 2

0 10 20 30 40 50 600

10

20

30

40

50

60 Y = 1,0068** X r 2 = 99,94%

Figura 13. Comparação entre as estimativas de áreas foliar: estimativas de dois

usuários do QUANT, em imagens originais a 150 dpi, com o uso da varinha

mágica de seleção de área. As estimativas do segundo usuário foram

consideradas o padrão do QUANT (A); estimativas padrão do QUANT e do

medidor de área Li-cor, modelo LI 3100 (B). Regressão através da origem.

Linha pontilhada: Y = X, sendo Y a ordenada e X, a abscissa. Hipótese

testada β1 = 1. ns P > 0,05; ** P < 0,01.

O QUANT associa uma cor a cada FD (determinadas pelos usuários) e estima o

valor de cada uma das FDs para cada pixel da imagem. Após, automaticamente, a cor

do pixel é trocada pela cor da FD que possui maior valor. Nas imagens deste estudo, o

tempo desse processamento foi inferior a um segundo. Essas FDs quando testadas

em pixels diferentes daqueles que forneceram os dados para sua estimação,

apresentaram 100% de classificação correta (Tabela 2). Ahmad et al. (1999) utilizaram

funções discriminantes para identificar sementes de soja com relação a tipos de lesões

apresentadas por diferentes patógenos e verificaram que a cor não descreveu as

diferenças entre sintomas. No presente estudo, o uso de análise discriminante foi

considerado adequado para discriminar áreas entre o fundo da imagem, a área foliar

sadia e a lesionada.

Cada um dos três procedimentos do QUANT utilizados para estimar a área foliar

em imagens com contraste previamente alterado foram comparado com o método

padrão do QUANT. As mensurações apresentaram alta concordância entre si (Figura

14). Com isso o usuário tem opção de escolher o procedimento do QUANT que

considerar mais fácil e ágil.

79

Nas estimativas das áreas das lesões, quando comparados com o método do

papel milimetrado, o QUANT apresentou acurácia e precisão superior àquelas obtidas

com o medidor de área da Li-cor (Figura 15). Segundo o fabricante, com a resolução

de 1 mm2, o LI 3100 pode apresentar erro de 2, 5 e 7% ao mensurar objetos de 5, 1 e

0,5 cm2, respectivamente (Li-cor, 1996). O método de mensurar áreas em imagens

digitais tendo como fundo papel milimetrado apresenta uma dificuldade própria: ocorre

uma pequena área de sombra em parte da borda interna da injúria, o que dificulta a

estimativa de área (Figura 2), sendo que essa dificuldade aumenta com a diminuição

da área da injúria. Outro problema é que as quadrículas do papel milimetrado da borda

da lesão não se apresentam por inteiro, sendo necessário estimar sua área visível.

Como a menor quadrícula tem área de 1 mm2, esta é a resolução desse método.

Quatro procedimentos do QUANT, utilizados para estimar área lesionada em

imagens com contraste previamente alterado, foram comparados com o método

padrão do QUANT (Figura 16). Os procedimentos de limiar preto e branco para

imagens contrastadas segundo o protocolo p2, função discriminante e redução para 32

cores, apresentaram alta acurácia (96,63 a 99,57%) e precisão (≥ 99%). No entanto,

os procedimentos de intervalo de coordenadas de cores e limiar preto e branco, a

partir de imagens do protocolo p3, apresentaram acurácia inferior a 90% (Figura 16E e

16F). Usando o procedimento de redução de cores, o avaliador selecionou as cores a

serem alteradas folha a folha. Nos outros procedimentos, padronizou-se a alteração de

cores para todo o conjunto de folhas. Com isso, o método de limiarização com o

protocolo p3 e a seleção de cores por intervalo de coordenadas de cores

apresentaram menores acurácias.

As estimativas de severidade do QUANT (padrão) não apresentaram boa

concordância com as do medidor de área foliar LI-3100 (Figura 17). Para algumas das

folhas, com área lesionada inferior a 0,5 cm2 (mensuradas com papel milimetrado), a

estimação da área lesionada com o LI-3100 foi negativa (Figura 15A). Isso ocorreu

porque a área lesionada é estimada indiretamente, subtraindo-se a área foliar intacta

(a qual é mensurada após a retirada das lesões) da área foliar total. Erros nas

mensurações das duas variáveis podem ser cumulativos na estimativa da área

lesionada. Foram feitas três mensurações de cada variável em cada folha. Geralmente

há uma pequena variabilidade entre as leituras. Para minimizar os erros foram

desconsideradas e refeitas as mensurações que apresentavam diferenças maiores

80

A

Área foliar (cm2) - Quant padrão

Áre

a fo

liar

(cm

2 ) -

Qua

nt p

1-fd

0 10 20 30 40 50 600

10

20

30

40

50

60 Y = - 0,0176** + 0,9995** X r 2 = 100,00%

B


Áre

a fo

liar

(cm

2 ) -

Qua

nt p

2-r3

2

0 10 20 30 40 50 600

10

20

30

40

50

60 Y = 1,0000* X r 2 = 100,00%

C


Áre

a fo

liar

(cm

2 ) -

Qua

nt p

3-r3

2

0 10 20 30 40 50 600

10

20

30

40

50

60 Y = 0,2314** + 1,0077** X r 2 = 100,00%

D


Áre

a fo

liar

(cm

2 ) -

Qua

nt p

3-ic

0 10 20 30 40 50 600

10

20

30

40

50

60 Y = 0,2852** + 1,0058** X r 2 = 99,99%

Figura 14. Comparação entre as estimativas de áreas foliar com o uso de diferentes

procedimentos do QUANT, em relação ao procedimento seleção de área

com a varinha mágica, considerado padrão (vide texto): funções

discriminantes a partir de imagens do protocolo p1 (p1-fd) (A); redução para

32 cores, a partir de imagens do protocolo p2 (p2-r32) (B) ou p3 (p3-r32) (C);

seleção por intervalo de cores (ic) (D). Imagens digitais com resolução de

150 dpi. Linha pontilhada: Y = X, sendo Y a ordenada e X, a abscissa.

Hipóteses testadas: β0 = 0; β1 = 1. * P < 0,05. ** P < 0,01.

81

Tabela 2. Classificação* de amostras de pixels de dez imagens de folhas de cafeeiros

com lesão de mancha parda, por meio de funções discriminantes.

Predito

Observado Fundo da imagem Folha sadia Lesão

Classificação correta (%)

Fundo da imagem 4886 0 0 100

Folha sadia 0 4848 0 100

Lesão 0 0 4755 100

Total 4886 4848 4755 100

* As funções discriminantes foram testadas em pixels diferentes daqueles que forneceram os dados para sua estimação.

A

Lesões (cm2) - Papel milimetrado

Lesõ

es (

cm2 )

- LI

310

0

-1 0 1 2 3 4 5-1

0

1

2

3

4

5Y = -0,3089** + 0,9956 ns X r2 = 92,95%

B

Lesões (cm2) - Papel milimetrado

Lesõ

es (

cm2 )

- Q

uant

pad

rão

-1 1 2 3 4 5 6-1

1

2

3

4

5

6 Y = 0,0276** + 1,0070 ns X r2 = 99,75%

Figura 15. Comparação entre as estimativas de área lesionada por meio de contagem

de quadrículas em papel milimetrado e com o uso do medidor de área

foliar Li-cor Modelo LI 3100 (A) ou do QUANT em imagens digitais de

folhas cujas lesões foram retiradas com bisturi (B). Linha pontilhada: Y = X,

sendo Y a ordenada e X, a abscissa. Hipóteses testadas: β0 = 0; β1 = 1. ns P > 0,05. ** P < 0,01.

82

A

Lesões (cm2) - Quant padrão

Lesõ

es (

cm2 )

- Q

uant

p1-

fd

0 1 2 3 4 5 6

0

1

2

3

4

5

6Y = 0,0712** + 0,9987 ns X r2 = 99,52%

B


Lesõ

es (

cm2 )

- Q

uant

p2-

t

0 1 2 3 4 5 6

0

1

2

3

4

5

6

Y = 0,9957 ns X r2 = 99,44%

C


Lesõ

es (

cm2 )

- Q

uant

p2-

r32

0 1 2 3 4 5 6

0

1

2

3

4

5

6Y = 1,0128* X r 2 = 99,41%

D


Lesõ

es (

cm2 )

- Q

uant

p3-

r32

0 1 2 3 4 5 6

0

1

2

3

4

5

6Y = 1,0148* X r 2 = 99,52%

E


Lesõ

es (

cm2 )

- p3

-t

0 1 2 3 4 5 6

0

1

2

3

4

5

6Y = -0,0955** + 0,9083** X r 2 = 96,98%

F


Lesõ

es (

cm2 )

- Q

uant

p3-

ic

0 1 2 3 4 5 6

0

1

2

3

4

5

6Y = -0,1039** + 0,9092** X r 2 = 96,02%

Figura 16. Comparação entre as estimativas de área lesionada com o uso de diferentes procedimentos do QUANT, em relação ao procedimento considerado padrão (vide texto): imagens do protocolo p1: funções discriminantes (p1-fd) (A); imagens do protocolo p2: limiar preto e branco (p2-t) (B); redução para 32 cores (p2-r32) (C). Imagens do protocolo p3: redução para 32 cores (p3-r32) (D); limiar preto e branco (p3-t) (E); intervalo de coordenadas de cores (p3-ic) (F). Imagens digitais com resolução de 150 dpi. Linha pontilhada: Y = X, sendo Y a ordenada e X, a abscissa. Hipóteses testadas: β0 = 0; β1 = 1. ns P > 0,05. * P < 0,05. ** P < 0,01.

83

que 0,3 cm2 em relação às outras duas. Assim, tanto para área foliar total, quanto para

a área foliar intacta foram obtidas médias de três mensurações. No presente estudo,

ocorre um fato que contribui para a diminuição da acurácia do medidor de área.

Enquanto o QUANT processa imagens de folhas digitalizadas entre lâminas de vidro,

ou seja, imagens de folhas planas, isso não é possível no medidor de área foliar, onde

as folhas são transportadas soltas sobre correia de plástico transparente. Pequenas

dobras na folha ou alteração na posição podem afetar as estimativas de área.

Estimativas de severidade da doença por diferentes procedimentos do QUANT

foram comparadas com o procedimento padrão do QUANT (Figura 18). O método de

redução para 32 cores, a partir de imagens tipo p2 e p3, apresentou acurácia superior

a 99% (Figura 18C e 18D), enquanto os métodos de função discriminante e intervalo

de coordenadas de cores, apresentaram acurácia inferior (Figura 18A e 18B).

Severidade (%) - LI 3100

Sev

erid

ade

(%)

- Q

uant

(pa

drão

)

0 2 4 6 8 10 12

0

2

4

6

8

10

12

Y = 0,4110** + 0,3440** X r 2 = 67,46%

Figura 17. Comparação entre as estimativas de severidade com o uso do medidor de

área foliar Li-cor Modelo LI 3100 e do QUANT em imagens digitais de

folhas cujas lesões foram retiradas com bisturi. Regressão através da

origem. Linha pontilhada: Y = X, sendo Y a ordenada e X, a abscissa.

Hipótese testada β1 = 1. ** P < 0,01.

84

Este é mais um estudo onde se verificou baixa acurácia das estimativas visuais

de severidade. De cinco avaliadores que estimaram visualmente a severidade de

doença, três superestimaram (Figuras 19A, 19C e 19D) e um apresentou acurácia

(97%) e precisão (94%) elevadas (Figura 19B). Um avaliador novato subestimou em

muito a severidade (Figura 20). O fato de este avaliador ter sido informado que os

demais avaliadores haviam superestimado a severidade, talvez tenha influenciado em

suas estimativas. Segundo Sherwood et al. (1983), em estimativas visuais de

severidade, é comum o avaliador superestimar duas a três vezes o valor real. Isto é

mais proeminente em baixos valores de severidade. Beresford & Royle (1991)

constataram que para folhas de cevada com severidade de ferrugem os avaliadores

superestimaram até 70 X, quando a severidade foi menor que 0,2%, e superestimaram

oito a dez vezes, quando as folhas apresentaram 0,6 a 20% de severidade. Segundo

Carmo et al. (1991), somente 10% dos avaliadores foram acurados e precisos. Parker

et al. (1995) constataram que os avaliadores apresentaram precisão variando entre

8% e 95%. As estimativas de um mesmo avaliador em diferentes ocasiões não foram

consistentes (Shokes et al., 1987; Nutter et al., 1993; Parker et al., 1995).

Para verificar a reprodutibilidade das mensurações feitas com o QUANT, quatro

usuários quantificaram área foliar em 16 folhas, usando o procedimento de seleção de

área com a varinha mágica, e três quantificaram área lesionada, usando o mesmo

procedimento e também o procedimento de limiarização. Cada usuário escolheu

livremente o valor de tolerância, para a varinha mágica, e o valor de limiar, para cada

imagem de folha. As estimativas de área foliar apresentaram acurácia superior a 99%

para os quatro usuários (Figura 21). As estimativas de área lesionada tiveram acurácia

entre 96 e 98% (Figura 22). Uma grande vantagem o QUANT é permitir ao usuário

verificar visualmente a adequabilidade da seleção de cada área, por meio da

ferramenta “flash”, com a qual a imagem segmentada pisca continuamente sore a

imagem original.

Aparentemente, o método mais comum de processamento de imagens digitais

para mensuração de lesões é a limiarização de imagens com 256 níveis de cinza

(Kokko et al., 1993, 1995; Martin & Rybicki, 1998; Berner & Paxson 2003). Utilizando

imagens coloridas, Chungu et al. (1997) não conseguiram separar áreas lesionadas,

por Fusarium graminearum, em espigas de milho, das áreas sadias utilizando um

analisador de imagens digitais.

85

A

Severidade (%) - Quant (padrão)

Sev

erid

ade

(%)

- Q

uant

p1-

fd

0 2 4 6 8 10 12

0

2

4

6

8

10

12Y = 0,2671** + 0,9843 ns X r2 = 99,08%

B


Sev

erid

ade

(%)

- Q

uant

p3-

ic

0 2 4 6 8 10 12

0

2

4

6

8

10

12

0

2

4

6

8

10

12Y = -0,2604* + 0,8715** X r 2 = 92,14%

C


Sev

erid

ade

(%)

- Q

uant

p2-

r32

0 2 4 6 8 10 12

0

2

4

6

8

10

12Y = 1,0087 ns X r2 = 98,81%

D


Sev

erid

ade

(%)

- Q

uant

p3-

r32

0 2 4 6 8 10 12

0

2

4

6

8

10

12

Y = 0,9949 ns X r2 = 99,00%

Figura 18. Comparação entre as estimativas de severidade com o uso de diferentes

procedimentos do QUANT, em relação ao procedimento considerado

padrão (vide texto): imagens do protocolo p1: funções discriminantes (p1-

fd) (A); imagens do protocolo p2: redução para 32 cores (p2-r32) (C).

Imagens do protocolo p3: intervalo de coordenadas de cores (p3-ic) (B).

redução para 32 cores (p3-r32) (D). Imagens digitais com resolução de 150

dpi. Linha pontilhada: Y = X, sendo Y a ordenada e X, a abscissa.

Hipóteses testadas: β0 = 0; β1 = 1. ns P > 0,05; * P < 0,05; ** P < 0,01.

86

A


Sev

erid

ade

(%)

- av

alia

dor

1

0 2 4 6 8 10 12 14 16 18 200

2

4

6

8

10

12

14

16

18

20

Y = 0,8587* + 1,9991** X r 2= 87,38%

B


Sev

erid

ade

(%)

- av

alia

dor

2

0 2 4 6 8 10 12 14 16 18 200

2

4

6

8

10

12

14

16

18

20Y = 0,9715 ns X r2 = 93,79%

C


Sev

erid

ade

(%)

- av

alia

dor

3

0 5 10 15 20 25 300

5

10

15

20

25

30

Y = 2,7160** X r 2 = 73,64%

D


Sev

erid

ade

(%)

- av

alia

dor

4

0 2 4 6 8 10 12 14 16 18 200

2

4

6

8

10

12

14

16

18

20

Y = 1,5073** + 1,0006 ns X r2 = 72,21%

Figura 19. Comparação entre estimativas visuais de severidade de quatro avaliadores

e com o uso do QUANT em imagens digitais com resolução de 150 dpi.

Linha pontilhada: Y = X, sendo Y a ordenada e X, a abscissa. Hipóteses

testadas: β0 = 0; β1 = 1. ns P > 0,05; * P < 0,05; ** P < 0,01.

87

Severidade (%) - Quant (padrão)S

ever

idad

e (%

) -

aval

iado

r 5

0 2 4 6 8 10 12 14 16 18 200

2

4

6

8

10

12

14

16

18

20Y = 0,2313* + 0,2926** X r 2 = 62,34%

Figura 20. Comparação entre as estimativas de severidade de doença com o uso do

QUANT em imagens com resolução de 150 dpi e estimativas visuais de um

avaliador inexperiente que tomou conhecimento prévio que os demais

avaliadores (Figura 19) tinham todos superestimado a severidade. Linha

pontilhada: Y = X, sendo Y a ordenada e X, a abscissa. Hipóteses

testadas: β0 = 0; β1 = 1. * P < 0,05; ** P < 0,01.

Contudo, Olmstead & Lang (2001) observaram pequenas diferenças em cor e

intensidade entre áreas sadias e com oídio, em disco de folhas de cereja, resultando

em baixas acurácias de estimativas de áreas doentes quando comparado com prévia

coloração das áreas doentes.

Hood & Shew (1996) obtiveram imagens coloridas e converteram-nas para

imagens binárias (preto e branco) previamente ao processamento e Kampmann &

Hansen (1994) procederam limiarização em imagens coloridas. Maruti et al. (2002)

também analisaram imagens coloridas.

Em poucos estudos foi verificado a acurácia das mensurações com imagens

digitais (Lindow & Webb, 1983; Lindow, 1983; Tucker & Chakraborty, 1997, 2001).

Berner & Paxson (2003) verificaram a acurácia apenas para estimativa do número de

lesões, concluindo que a contagem visual foi mais acurada. No entanto, alguns

pesquisadores usam as estimativas de área obtidas com o planímetro virtual como

valores de área padrão da lesão para comparar com estimativas do software (Tucker &

Chakraborty, 1997, 2001). Contornar a lesão com tinta de caneta na própria folha e

digitalizar a imagem torna a seleção da área lesionada com a ferramenta de varinha

mágica, mais fácil, devido à possibilidade de aumentar o valor da tolerância (referente

às cores selecionadas), mas isso aumenta muito o trabalho e depende da habilidade

do desenhista. Nogueirol et al. (2003) quantificaram área lesionada em cerca de 950

folhas de maracujazeiro desta maneira, usando o QUANT.

88

A

Área foliar (cm2) - Quant 2 (padrão)

Áre

a fo

liar

(cm

2 ) -

Qua

nt 1

0 10 20 30 40 50 600

10

20

30

40

50

60 Y = 1,0003 ns X r2 = 99,99%

B


Áre

a fo

liar

(cm

2 ) -

Qu

an

t vm

1

0 10 20 30 40 500

10

20

30

40

50Y = 0,9974** X r 2 = 100,00%

C


Áre

a fo

liar

(cm

2 ) -

Qu

an

t vm

2

0 10 20 30 40 500

10

20

30

40

50Y = 0,9981** X r 2 = 99,99%

D


Áre

a fo

liar

(cm

2 ) -

Qu

an

t vm

3

0 10 20 30 40 500

10

20

30

40

50Y = 0,9973** X r 2 = 99,99%

Figura 21. Comparação entre as estimativas de área foliar de quatro usuários do

Quant. com o uso da "varinha mágica" de seleção de área, em relação a

um quinto usuário, considerado padrão. Imagens digitais com resolução

de 150 dpi. Linha pontilhada: Y = X, sendo Y a ordenada e X, a

abscissa. Hipóteses testadas: β0 = 0; β1 = 1. ns P > 0,05; ** P < 0,01.

89

A


Lesõ

es (

cm2 )

- Q

ua

nt

vm 1

0 1 2 3 4 5 6

0

1

2

3

4

5

6

Y = 1,0196* X r 2 = 99,77%

B


Lesõ

es (

cm2 )

- Q

ua

nt

T 1

0 1 2 3 4 5 6

0

1

2

3

4

5

6Y = 1,0266** X r 2 = 99,73%

C


Lesõ

es (

cm2 )

- Q

ua

nt

vm 2

0 1 2 3 4 5 6

0

1

2

3

4

5

6

Y = 1,0223* X r 2 = 99,77%

D


Lesõ

es (

cm2 )

- Q

ua

nt

T 2

0 1 2 3 4 5 6

0

1

2

3

4

5

6Y = 1,0237* X r 2 = 99,70%

E


Lesõ

es (

cm2 )

- Q

ua

nt

vm 3

0 1 2 3 4 5 6

0

1

2

3

4

5

6

Y = 1,0371* X r 2 = 99,56

F


Lesõ

es (

cm2 )

- Q

ua

nt

T 3

0 1 2 3 4 5 6

0

1

2

3

4

5

6Y = 1,0280** X r2 = 99,78%

Figura 22. Comparação entre as estimativas de área lesionada de três usuários

usando dois procedimentos do Quant: "varinha mágica" de seleção de área

(A, C, E) ou limiarização (B, D, F). em relação ao procedimento

considerado padrão. Imagens digitais com 150 dpi. Linha pontilhada: Y =

X, sendo Y a ordenada e X, a abscissa. Hipótese testada: β1 = 1. * P <

0,05; ** P < 0,01. Os usuários escolheram livremente o valor do limiar para

cada imagem, o qual variou de 188 a 255 (B), 198 a 248 (D) e 193 a 244

(F).

90

Beresford & Royle (1991), estimaram a área de 270 urédias de Puccinia hordei

em cevada, a partir de seu comprimento e largura. A área média variou de 2,05 x 10-2

a 4,29 x 10-2 mm2. A área lesionada foi estimada multiplicando o número de urédias na

folha pela área média das urédias. Desta maneira, quantificar objetivamente a

severidade de doenças com acurácia é uma tarefa difícil e que consome tempo. É

impraticável contar e medir o tamanho de lesões individuais em grandes amostras.

A principal vantagem do uso de imagens digitais é que as mensurações podem

ser feitas com acurácia, precisão, objetividade, reprodutibilidade e mais rapidamente

que pelos métodos manuais. Adicionalmente, alguns detalhes podem ser obtidos,

como número, forma e tamanho das lesões, o que pode ser útil na seleção de plantas

resistentes a algumas doenças. A estimativa de área com o QUANT apresenta as

seguintes fontes de erro: digitalização das imagens, pré-processamento (melhoria do

contraste) e seleção de áreas. Este último passo é o mais sujeito a erros, devido às

decisões do avaliador sobre qual a área a ser considerada lesionada.

O QUANT disponibiliza vários algoritmos para melhorar o contraste da imagem,

como aqueles apresentados nesse estudo. Com isso, mesmo os sintomas de doenças

onde o sistema visual humano tem dificuldade de distinguir entre área foliar sadia e

doente, podem ser quantificados com o uso do QUANT.

O QUANT é um válido software para mensurações de severidade de doença de

plantas que requeiram acurácia, objetividade, e precisão. Equipamentos modernos de

aquisição de imagens permitem a aquisição de centenas de imagens digitais por hora

que podem ser arquivadas para análise. Propõe-se que o QUANT seja adotado como

padrão na mensuração de severidade de doenças de plantas.

91

CONCLUSÕES GERAIS

Este trabalho teve por objetivo o desenvolvimento do software QUANT para

processamento, segmentação de objetos e mensuração de áreas em imagens digitais.

O QUANT foi avaliado na mensuração da intensidade de doenças de plantas e injúrias

causadas por insetos por meio de análise de imagens.

No primeiro capítulo, avaliaram-se a acurácia e precisão do QUANT na

mensuração de áreas em imagens, com resolução de 75 a 300 dpi, de diferentes

objetos, de tamanho conhecido, variando de 0,2 a 50 cm2. O QUANT apresentou

acurácia variando entre 98 e 100%.

No segundo capítulo, o QUANT foi avaliado na mensuração da área foliar total,

da área desfolhada (consumida) e da severidade da desfolha (percentagem da área

foliar desfolhada) causada por besouros crisomelídeos, em folhas de pimentão

(Capsicum annuum), usando imagens digitais. A resolução das imagens, 100 ou 300

dpi, não afetou as estimativas de área. O Quant e o LI-3100 apresentaram alta

concordância (97,8%) com relação às estimativas de área foliar, mas baixa (77%) com

relação às de área desfolhada. Comparando-se essas estimativas de área desfolhada

com as realizadas por dois avaliadores, por meio de contagem de quadrículas em

papel milimetrado, verificou-se que o QUANT apresentou maior acurácia (89,0 a

93,1%) que o LI-3100 (86 a 88%). Seis avaliadores visuais superestimaram a

severidade, sendo que apenas um apresentou alta acurácia (92%).

O terceiro capítulo discorre sobre experimentos onde a área foliar, a área

lesionada e a severidade da mancha parda (Cercospora coffeicola) em folhas de

cafeeiro (Coffea arabica), foram mensuradas com o uso do QUANT, de avaliadores

92

visuais, do LI-3100 e por meio de contagem direta observando-se as imagens digitais

obtidas com papel milimetrado como fundo. Para tanto, as lesões foram previamente

retiradas da folha com o auxilio de um bisturi. As imagens originais não permitiram

adequada segmentação entre área foliar sadia e lesionada. O QUANT disponibiliza

inúmeras ferramentas que, isolada ou conjuntamente, podem ser usadas para

melhorar a qualidade da imagem previamente ao processo de segmentação de

objetos. Esses recursos diferenciam-no de outros softwares de processamento de

imagens. Três protocolos de melhoria da qualidade da imagem original foram testados

e todos se mostraram adequados. Cinco procedimentos de segmentação de áreas

foram avaliados: funções discriminantes, redução número de cores, limiarização,

intervalo de coordenadas de cores e seleção por crescimento de área (“varinha

mágica”). Este último foi arbitrariamente considerado o padrão do QUANT, cujas

estimativas de área foliar apresentaram 99,3% de concordância com as do LI-3100.

Quando comparados com o método do papel milimetrado, o método padrão do

QUANT apresentou acurácia de 97,9% e o LI 3100, de 83,7% nas estimativas das

áreas lesionadas. Comparados com o método padrão do QUANT, os demais

procedimentos desse software para segmentação de áreas apresentaram acurácia de

98,6 a 100% e precisão de 99,99% na estimativa de área foliar. Com relação à área

lesionada, os procedimentos de limiarização, função discriminante e redução para 32

cores, apresentaram alta acurácia (96,6 a 99,6%) e precisão (≥ 99,3%). Nas

estimativas de severidade o procedimento de redução para 32 cores apresentou

acurácia superior a 99%, enquanto as função discriminantes e o intervalo de

coordenadas de cores apresentaram acurácia inferior. As estimativas de severidade

do QUANT (padrão) não apresentaram boa concordância com as do medidor de área

foliar LI-3100. Dos cinco avaliadores que estimaram visualmente a severidade de

doença, somente um apresentou acurácia (97%) e precisão (94%) elevadas. Quatro

usuários do QUANT estimaram área foliar em 16 folhas, usando o procedimento de

seleção de área com a varinha mágica, obtendo acurácia superior a 99%. Três

usuários estimaram área lesionada usando este procedimento, e também o

procedimento de limiarização, obtendo acurácia entre 96 e 98%.

Este é mais um estudo onde se confirmaram as pequenas acurácia e precisão

de estimativas visuais de severidade de doenças e de desfolha por insetos. O medidor

de área LI-3100 mostrou-se acurado pra mensurar área foliar, mas não para mensurar

área lesionada ou injuriada. O QUANT apresentou-se mais acurado que o medidor de

área LI-3100 e que avaliações visuais na mensuração de áreas e de área foliar

injuriada por insetos ou lesionada por doenças. Quando as imagens originais não

apresentam alto contraste entre área foliar lesionada e sadia, as ferramentas do

93

QUANT mostraram-se adequadas para melhorar a qualidade da imagem (aumentar o

contraste entre áreas a serem segmentadas). Os cinco procedimentos de

segmentação de areas mostraram-se acurados na estimativa de area foliar e área

lesionada. Diferentes usuários do QUANT apresentaram alta acurácia, indicando a

reprodutibilidade das estimativas realizadas com o QUANT.

O QUANT apresentou-se como métodos de fácil uso, baixo custo, acurado,

preciso, aplicável em diferentes condições e seus resultados são reproduzíveis.

Propõe-se que o QUANT seja adotado como método padrão para mensurar área

foliar, área foliar injuriada (consumida) por insetos e área lesionada em folhas de

plantas.

94

REFERÊNCIAS BIBLIOGRÁFICAS

AGUIAR NETTO, A.O.; RODRIGUES, J.D.; PINHO, S.Z. análise de crescimento na cultura da batata submetida a diferentes lâminas de irrigação. Pesquisa Agropecuária Brasileira, 35: 901-907, 2000.

AHMAD, I. S.; REID, J. F., PAULSEN, M. R., SINCLAIR, J. B. Color classifier for symptomatic soybean seeds using image processing. Plant Disease, 83:320-327, 1999.

ALCHANATIS, V.; NAVON, A.; GLAZER, I.; LEVSKI, S. an image analysis system for measuring insect feeding e!ects caused by biopesticides. J. agric. Engng Res., 77: 289-296, 2000.

ALFONSI, R.R.; ORTOLANI, A.A..; PINTO, H.S.; PEDRO JUNIOR, M.J.; BRUNINI, O. Associação entre nível de infecção da ferrugem do cafeeiro, variáveis climáticas e área foliar, observadas em Coffea arabica L. In: Congresso Brasileiro sobre Pesquisas Cafeeiras (2. : 1974 : Poços de Caldas, MG). Resumos dos trabalhos apresentados. Rio de Janeiro : Instituto Brasileiro do Café, 1974. (392p.), p. 80-83.

AMORIM, L.; BERGAMIM FILHO, A. Quantificação de variáveis-chave para o manejo integrado de doenças. in: ZAMBOLIM, L. (ed.) Manejo integrado de doenças e pragas. Viçosa, MG: Universidade Federal de Viçosa, 1999. p.30-41.

AMORIM, L. Avaliação de doenças. BERGAMIN FILHO, A., KIMATI, H., AMORIM, L. (eds) Manual de fitopatologia. Vol. 1: Princípios e conceitos, Agronômica Ceres, São Paulo, 1995. 3ed. p.647-671.

ATKINSON, H. J., URWIN, P. E.; CLARKE, M.C.; MCPHERSON, M.J. Image analysis of the growth of Globodera pallida and Meloidogyne incognita on transgenic tomato roots expressing cystatins. Journal of Nematology, 28: 209-215, 1996.

AZEVEDO, L.A.S. C. Manual de quantificação de doenças de plantas. São Paulo, 1998. 113p.

BACCHI, L.M.; BERGER, R.D.; DAVOLI, T.A. Color digitization of video images of bean leaves to determine the intensity of rust caused by Uromyces appendiculatus. Phytopathology, 82:1162-1163. (Abstract).

BARBER, J. A. S., C. S. PARKIN, A.B.M.N.U. CHOWDHURY. "Effect of application method on the control of powdery mildew (Bulmeria graminis) on spring barley." Crop Protection 22: 949-957, 2003.

BARROS, R.S.; MAESTRI, M.; VIEIRA, M.; BRAGA FILHO, L.J. Determinação da área de folhas de café (Coffea arábica L.) cv. Bourbon Amarelo, Revista Ceres, Viçosa, 20 (107): 44-52, 1973.

95

BAWDEN, F.C. (1933) Infra-red photography and plant virus diseases. Nature, 132, 168.

BERESFORD, R.M.; ROYLE, D.J. The assessment of infectious disease for brown rust (Puccinia hordei) of barley. Plant Pathology 40: 374-381, 1991.

BERGAMIN FILHO, A.& AMORIM, L. Doenças de plantas tropicais. Epidemiologia e controle econômico. São Paulo, Ceres, 1996. 289p.

BERGER, R.D.; BERGAMIN FILHO, A.; AMORIM, L. Lesion expansion as an epidemic component. Phytopathology, 87:1005-1013, 1997.

BERNER, D.K.; PAXSON, L.K. Use of digital images to di.erentiate reactions of collections of yellow starthistle (Centaurea solstitialis) to infection by Puccinia jaceae. Biological Control 28: 171–179, 2003.

BFEN, T.H.; MEIJER, M.J.; BENIERS, A.E.; KNOL, J.W. Using image analysis for counting larvae of potato cyst nematodes (Globodera spp.) Fundam. Appl. Nematol. 19: 297-304, 1996.

BIERNACKI, M.; BRUTON, B. D. Quantitative response of Cucumis melo inoculated with root rot pathogens. Plant Disease, 85:65-70, 2001.

BLANCO, H.G.; ARÉVALO, R.A.; CHIBA, S. Convivência de populações de Cyperus rotundus L. com plantas de algodoeiro herbáceo. Pesquisa Agropecuária Brasileira, 26: 169-176, 1991.

BROWN, J.S.; HOLMES, R.J. Guidelines for use of foliar sprays to control stripe rust of wheat in Australia. Plant Disease 67: 485-487, 1983.

CAMPBELL, C. L.; MADDEN, L. V. Introdution to Plant Disease Epidemiology. New York, John Wiley, 1990. 532p.

CANTERI, M.G.; GIGLIOTI, E.A. Phytopathometry applied to the integrated management of borer-rot complex in sugarcane: (II) COMBRO - a software to select and train raters. in: Sugarcane pathology. Volume 1: Fungal diseases. Enfield, Science Publishers Inc.,1999. p. 195-208.

CARMO, M.G.F.; MAFFIA, L.A.; KATSURAYAMA, Y.; MILLAGRES JR., O.R. Erros relacionados à quantificação da severidade de manchas foliares. Fitopatologia Brasileira 16: 32, 1991. (Resumo 81).

CHAIM, A.; PESSOA, M.C.P.Y.; NETO, J.C.; HERMES, L.C. Comparison of microscopic method and computational program for pesticide deposition evaluation of spraying. Pesquisa Agropecuária Brasileira v. 37: 493-496, 2002

CHUNGU, C.; MATHER, D.E.; REID, M.L.; HAMILTON, R.I. Assessment of ear rot symptom development in maize hybrids inoculated with Fusarium graminearum. Canadian Journal of Plant Pathology, 19: 390-396, 1997.

COOKE, B.M. Disease assessment and yield loss. in: GARETH JONES, D. (ed.) The epidemiology of plant diseases. Dordrecht, Kluwer Academic Publishers, 1998. p.42-72.

DÍAZ-LAGO, J. E., STUTHMAN, D. D., AND LEONARD, K. J. Evaluation of components of partial resistance to oat crown rust using digital image analysis. Plant Disease, 87:667-674, 2003.

DILLARD, H.R.; SEEM, R.C. Incidence-severity relationships for common maize rust on sweet corn. Phytopathology, 80: 842-846, 1990.

DOMICIANO, N.L.; SANTOS, W.J. Momento adequado para aplicação de inseticida no controle do curuquerê-do-algodoeiro. Pesquisa Agropecuária Brasileira, 29: 7-11, 1994.

EDWARDS, J.; TAYLOR, P.A.; PARBERY, D.G.; HALLORAN, G.M. Peppermint rust in Victoria: the incidence-severity relationship and its implication for the development of na action threshold. Australian Journal of Agriculture Research, 51: 91-95, 2000.

EMGE, R.G.; KINGSOLVER, C.H.; JOHNSON, D.R. Growth of the sporulating zone of Puccinia striiformis and its relationship to stripe rust epiphytology. Phytopathology, 65:679-681, 1975.

96

FALLOON, R.E.; VILJANEN-ROLLINSON, S.L.H.; COLES, G.D.; POFF, J.D. Disease severity keys for powdery mildews of pea, and powdery scab of potato. New Zealand Journal of Crop and Horticultural Science, 23: 31-37, 1995.

FERNANDES, C.D. Efeito de fatores do ambiente e da concentração de inóculo sobre a cercosporiose do cafeeiro. Viçosa: UFV. Dissertação Mestrado, 73p. 1988.

FORBES, G.A.; JEGER, M.J. Factor affecting the estimation of disease intensity in simulated plant structures. Journal of Plant Diseases and Protection. 94 (2): 113-120, 1987.

FURLAN, C.M.; SALATINO, A.; DOMINGOS, M. Leaf contents of nitrogen and phenolic compounds and their bearing with the herbivore damage to Tibouchina pulchra Cogn. (Melastomataceae), under the influence of air pollutants from industries of Cubatão, São Paulo. Revista Brasileira de Botânica, 22: 317-323, 1999.

FURMAN, L. A., LALANCETTE, N., AND WHITE, J. F., Jr. 2003. Peach rusty spot epidemics: Temporal analysis and relationship to fruit growth. Plant Dis. 87:366-374.

GARÇON, C.L.P.; BARROS, U.V.; MATIELLO, J.B.; ZAMBOLIM, L.; L. FILHO, S. Constante para determinação de área foliar para novas variedades de Coffea arabica. In: Congresso Brasileiro de Pesquisas Cafeeiras (27. : 2001 : Uberaba, MG). Trabalhos apresentados [no] 27o. Congresso Brasileiro de Pesquisas Cafeeiras. Rio de Janeiro : PROCAFÉ, 2001. (408p.), p. 55-56.

GAUNT, R.E. Measurement of disease and pathogens. In: TENG, P.S. (ed.). Crop loss assessment and pest management. APS Press, 1987. p. 6-18.

GIGLIOTI, E.A.; CANTERI, M.G. Desenvolvimento de software e escala diagramática para seleção e treinamento de avaliadores da severidade do complexo broca-podridões em cana-de-açúcar. Fitopatologia Brasileira 23: 359-363, 1998.

GIGLIOTI, E.A.; CANTERI, M.G. Phytopathometry applied to the integrated management of borer-rot complex in sugarcane: (I) a standard diagram to assess disease severity. in: Sugarcane pathology. Volume 1: Fungal diseases. Enfield, Science Publishers Inc.,1999. p. 183-194.

GODOY, C.V. CARNEIRO, S.M.T.P.G.; IAMAUTI, M.T.; DALLA PRIA, M.; AMORIM, L. BERGER, R.D.; BERGAMIM FILHO, A. Diagrammatic scales for bean diseases: development and validation. Zeitschrift für Pflanzenkrankheiten und Pflanzenschutz 104: 336-345, 1997.

GOMIDE, M.B.; LEMOS, O.V.; TOURINO, D.; CARVALHO, M.M.; CARVALHO, J.G.; DUARTE, C.S. Comparação entre métodos de determinação de área foliar em cafeeiros Mundo Novo e Catuaí. In: Congresso Brasileiro de Pesquisas Cafeeiras (4. : 1976 : Caxambu, MG). Resumos. Rio de Janeiro : IBC/GERCA, 1976. (315p.), p. 182.

GONZALEZ, R.C.; WOODS, R.E. Processamento de imagens digitais. São Paulo, Edgard Blücher, 2000. 509p.

GOUDRIAAN, J.; VAN LAAR, H.H. Modelling potential crop growth processes. Dordrecht, Kluwer Academic Publishers, 1994. 238p.

GUPTA, A.K.; PATHAK, V.N. Epidemiology and management of papaya fruit rots. Summa Phytopathologica, v.16, n.2, p.92-105, 1990.

HILBER, U.W.; SCHÜEPP, H. Accurate and rapid measurement of lenghts of fungal germ tubes by image analysis. Canadian Journal of Plant Pathology, 14: 185-186, 1992.

HOOD, M.E.; SHEW, H.D. Pathogenesis of Thielaviopsis basicola on a susceptible and a resistant cultivar of Burley tobacco. Phytopathology, 86:38-44, 1996.

HORSFALL, J.G.; BARRATT, R.W. An improved grading system for measuring plant diseases. Phytopathology, 35: 655, 1945 (Abstract).

HORSFALL, J.G.; COWLING, E.B. Pathometry: the measurement of plant disease. In: HORSFALL, J.G.; COWLING, E.B. (eds) Plant Disease. An advanced treatise. v.II. How disease develops in populations. New York, Academic Press, 1978. p.119-136.

97

Jackson, R.D. Remote-Sensing of Biotic and Abiotic Plant Stress. Annual Review of Phytopathology, 24: 265-287, 1986.

JAMES, W.C. A manual of assessment keys for plant diseases. Canadian Department of Agriculture. Publication 1458, 1971. 50p.

JAMES, W.C. An illustrated series of assessment keys for plant diseases. Their preparation and use. canadian Plant Disease Survey, 51 (2): 39-65, 1971b.

JAMES, W.C. Assessment of plant disease and losses. Annual review of Phytopathology 12: 27-48, 1974.

JAMES, W.C. Crop loss assessment. in: JOHNSTON, A.; BOOTH, C. (eds) Plant pathologist's pocketbook. 2nd ed. Kew, Commonwealth Mycological Institute, 1983. p.130-143.

KAMPMANN, H.H.; HANSEN, O.B. Using colour image analysis for quantitative assessment of powdery mildew on cucumber. Euphytica 79: 19-27, 1994.

KOKKO, E.G.; CONNER, R.L.; KOZUB, G.C.; LEE, B. Effects of common root rot on discoloration and growth of the spring wheat root system. Phytopathology 85: 203-208, 1995.

KOKKO, E.G.; CONNER, R.L.; KOZUB, G.C.; LEE, B. Quantification by image analysis of subcrown internode discoloration in wheat caused by common root rot. Phytopathology 83: 976-981, 1993.

KOKKO, E.G.; CONNER, R.L.; LEE, B.; KUZYK, A.D.; KOZUB, G.C. Quantification of common root rot in resistant and susceptible barley by image analysis. Canadian Journal of Plant Pathology 22: 38-43, 2000.

KRANZ, J. Measuring plant disease. In: KRANZ, J.; ROTEM, J. (eds.) Experimental techniques in plant disease epidemiology. Berlim, Springer-Verlag, 1988. p. 35-50.

KUEHNI, R.G. Color. An introduction to practice and principles. New York, John Wiley; Sons, 1997. 186p.

LARGE, E.C. Measuring plant disease. Annual Review of Phytopathology, 4: 9-28, 1966.

LEISTER, D.; VAROTTO, C.; PESARESI, P.; NIWERGALL, A.; SALAMINI, F. Large-scale evaluation of plant growth in Arabidopsis thaliana by non-invasive image analysis. Plant Physiol. Biochem. 37: 671-678, 1999.

LIBERATO, J.R.; VENTURA, J.A.; COSTA, H. Instruções básicas para coleta e envio de material para exame fitopatológico. Campos dos Goytacazes, RJ: UENF, 1996. 16p. (UENF - CCTA, Boletim Técnico, 7).

LI-COR Inc. LI-3100 area meter. Instruction manual. Lincol, NE: 1996. 30p.

LIER, Q.J. Van; SPAROVEK, G.; VASQUES FILHO, J. Análise de imagens utilizando um "scanner" manual: aplicações em agronomia. Revista Brasileira de Ciência do Solo, v.17, n.3, p.479-482, 1993.

LINDOW, S.E.; WEBB, R.R. Quantification of foliar plant disease symptoms by microcomputer-digitized video image analysis. Phytophathology 73: 520-524, 1983.

LINDOW, S.E. Estimating disease severity of single plants. Phytopathology, 73: 1576-1581, 1983.

LORENZINI, G.; NALI, C.; DOTA, M.R.; MARTORANA, F. Visual assessment of foliar injury induced by ozone on indicator tobacco plants: a data quality evaluation. Environmental Monitoring and Assessment, 62: 175-191, 2000.

LOURENÇÃO, A.L.; PEREIRA, J.C.V.N.; MIRANDA, M.A.C.; AMBROSANO, G.M.B. Avaliação de danos causados por percevejos e por lagartas em genótipos de soja de ciclos precoce e semiprecoce. Pesquisa Agropecuária Brasileira, 35: 879-886, 2000.

LOWMAN, M.D. An Assessment of techniques for measuring for measuring herbivory: is a rainforest defoliation more intense than we thought? Biotropica, 16: 264-268, 1984.

98

MADDEN, L.V. Statistical analysis and comparation of disease progress curves. In: LEONARD, K.J. & FRY, W.E. Plant disease epidemiology. V.1. New York, MacMillan Publishing Co, 1986. p. 55-84.

MARQUES FILHO, O.; VIEIRA NETO, H. Processamento de imagens digitais. Rio de Janeiro, Brasport, 1999. 409p.

MARTIN, D. P.; RYBICKI, E. P. Microcomputer-based quantification of maize streak virus symptoms in Zea mays. Phytopathology 88: 422-427, 1998.

MARUTHI, M.N.; COLVIN, J.; SEAL, S.; GIBSON, G.; COOPER, J. Co-adaptation between cassava mosaic geminiviruses and their local vector populations. Virus Research 86: 71–85, 2002.

MELZER, R.; BERTON, O. Sistema de alerta para o controle da sarna da macieira. Florianópolis, EMPASC, 1989. 75p.

MILLER, T. C., GUBLER, W. D., GENG, S.; RIZZO, D. M. Effects of temperature and water vapor pressure on conidial germination and lesion expansion of Sphaerotheca macularis f. sp. fragariae. Plant Disease, 87:484-492, 2003.

MOL, L.; MEIJER, E.M.J. Quantification of microesclerotia of Verticillium dahliae in plant material by image analysis. European Journal of Plant Pathology, 101: 705-709, 1995.

NEBLETTE, C.B. (1927) Aerial photography for the study of plant diseases. Photo-Era Magazine, 58, 346.

NETER, J., KUTNER, M.H., NACHTSHEIM, C.J. & WASSERMAN, W. Applied linear statistical model. 4 ed. Chicago. Richard D. Irwin, Inc. 1996. 1408p.

NIEMIRA, B. A., KIRK, W.W.; STEIN, J. M. 1999. Screening for late blight susceptibility in potato tubers by digital analysis of cut tuber surfaces. Plant Disease, 83:469-473, 1999.

NILSSON, H.E. Remote sensing and image analysis in plant pathology. Annual Review of Phytopathology, 15: 489-527, 1995.

NOGUEIROL, R.C.; MATTA, F.P., MORAES, M.C.; ROSSIN, R.; PAGGIARO, F.A.; PIEDADE, S.M.E.; VIEIRA, M.L.C. Avaliação de metodologias utilizadas para medição das lesões foliares em maracujá amarelo (Passiflora edulis Sims f. flavicarpa Deg.) causadas por Xanthomonas campestris pv. passiflorae. In.: SIMPÓSIO BRASILEIRO SOBRE A CULTURA DO MARACUJAZEIRO, 6., 2003. Campos dos Goytacazes, RJ: UENF/UFRRJ, 2003. Resumo 79 (cd-rom).

NUTTER Jr., F.W.; WORAWITLIKIT, O. Disease Pro: a computer programme for evaluation and improving a person's ability to assess disease proportion. Phytopathology 79: 1135, 1989 (Abstract).

NUTTER, Jr. F.W.; SCHULTZ, P.M. Improving the accuracy and precision of disease assessments: selection of methods and use of computer-aided training programs. Canadian Journal of Plant Pathology, 17: 2, 174-184, 1995.

NUTTER, Jr. F.W. et al. Assessing the accuracy, intra-rater repeatability, and inter-rater reliability of disease assessment systems. Phytophathology, 83: 806-812, 1993.

OLIVEIRA, C. A.; POZZA, E. A.; OLIVEIRA, V. B.; SANTOS, R. C.; CHAVES, Z. M. Escala diagramática para avaliação da severidade de cercosporiose em folhas de cafeeiro. In: Simpósio Brasileiro de Pesquisa dos Cafés do Brasil, 2. 2001. Vitória, ES. Anais. Brasília, D.F. : Embrapa Café, 2001. (CD-ROM), p. 1151-1157

OLMSTEAD, J. W.; LANG, G.A. Assessment of severity of powdery mildew infection of sweet cherry leaves by digital image analysis. Hortscience 36: 107-111. 2001.

OLSSON, S. Mycelial density profiles of fungi on heterogeneous media and their interpretation in terms of nutrient reallocation patterns. Mycological Research 99: 143-153, 1995.

PAGGIARO, F.A., MATTA, F.P., MORAES, M.C., OLIVEIRA, E.J., HANAI, L.R., VIEIRA, M.L.C. Mapeamento de qrl para xanthomonas campestris pv. passiflorae em maracujá-amarelo In.: SIMPÓSIO BRASILEIRO SOBRE A CULTURA DO MARACUJAZEIRO, 6., 2003. Campos dos Goytacazes, RJ: UENF/UFRRJ, 2003. Resumo 78 (cd-rom).

99

PAMBOUKIAN, C.R.D.; GUIMARÃES, L.M.; FACCIOTTI, M.C.R. Applications of image analysis in the characterization of Streptomyces olindensis in submerged culture. Brazilian Journal of Microbiology 33:17-21, 2002.

PARKER, S.R.; SHAW, M.W.; ROYLE, D.J. Reliability measurement of disease severity. Aspects of Applied Biology, 43: 205-214, 1993.

PARKER, S.R.; SHAW, M.W.; ROYLE, D.J. The reliability of visual estimates of disease severity on cereal leaves. Plant Pathology 44: 856-864, 1995.

PEI, M.H.; RUIZ, C.; HUNTER, T.; ARNOLD, G. M.; BAYON, C. Quantitative relationships between inoculum of Melampsora larici-epitea and corresponding disease on Salix. Plant Pathology 51: 443–453, 2002.

REIS, E. M. Manual de identificação e quantificação de doenças do trigo. Passo Fundo, RS: Agroalpha, 1994. 59p.

RIBEIRO DO VALE, F.X.; ZAMBOLIM, L.; CHAVES, G. M. Epidemiologia aplicada ao controle de doenças de plantas. Brasília, ABEAS, 1994. 108p. (ABEAS. Curso de proteção de plantas. módulo 5. Controle de doenças de plantas. Módulo 5.2.)

ROSENFELD, A. From Image Analysis to Computer Vision: An Annotated Bibliography, 1955–1979. Computer Vision and Image Understanding 84, 298–324, 2001.

ROSSIELLO, R.O.P.; ARAÚJO, A.P.; MANZATTO, C.V.; FERNANDES, M.S. Comparação dos métodos fotoelétricos e da interseção na determinação de área, comprimento e raio médio radicular. Pesquisa Agropecuária Brasileira, 30: 633-638, 1995.

RUSS, J.C. The image processing handbook. Boca Raton, CRC Press, 1995. 2 ed. 674p.

SAH, D.N.; FEHRMANN, H. Virulence patterns of geographically differing isolates of Pyrenophora tritici-repentis and sources of resistance in wheat. Plant Disease, 76: 712-6, 1992.

SEEM, R.C. Disease incidence and severity relationships. Annual Review of Phytopathology, 22: 133-150, 1984.

SEEM, R.C. Disease incidence and severity relationships. Annual Review of Phytopathology 22:133-150. 1984.

SHANE, W.W.; THOMPSON, C.F.; THENG, P.S. AREAGRAM. A standard area diagram program for the Apple computer. Phytopathology 75: 1363, 1985. (Abstract).

SHANER, G. Growth of uredinia of Puccinia recondita in leaves of slow- and fast-rusting wheat cultivars. Phytopathology, 73: 931-935, 1983.

SHERWOOD, R.T.; BERG, C.C.; HOOVER, M.R.; ZEIDERS, K.E. Illusions in visual assessment of Stagonospora leaf spot of orchardgrass. Phytopathology 73: 173-177, 1983.

SHOKES, F.M.; BERGER, R.D.; SMITH, D.H.; RASP, J.M. Reliability of disease assessment procedures: A case study with late leafspot of peanut.. Oléagineux 42: 245-251, 1987.

SHTIENBERG, D. Rational suppression of sunflower rust: development and evaluation of an action threshold. Plant Disease 79: 506-510, 1995.

SILVA, M.B.; JESUS Jr., W.C. Monitoramento espaço-temporal: uma ferramenta no manejo integrado de doenças. in: ZAMBOLIM, L. (ed.) Manejo integrado. Doenças, pragas e plantas daninhas. Viçosa, MG: Universidade Federal de Viçosa, 2000, p.127-168.

SILVEIRA, A.J. Crescimento de mudas de café (Coffea arabica L. cv. Bourbon) sob diferentes níveis de luz, em condições naturais. Viçosa : UFV, Impr. Univ., 1972. 29p. : il. (Dissertação - mestrado em Fitotecnia)

SMITH, D.N. ; KING, W.J.; TOPPER, C.P; MHANDO, H.; COOPER, J.F. Studies on spray deposition on cashew trees in Tanzania with reference to the use of fungicides to control Oidium anacardii Crop Protection 16: 313-322, 1997.

SMITH, P.M.; LAST, F.T.; KEMPTON, R.J.; GISBORNE, J.H. Tomato leaf mould. Its assessment and effects on yield. Ann. Applied Biology 63: 19-26, 1969.

100

SMITH, S. E.; DICKSON, S. Quantification of active vesicular-arbuscular mycorrhizal infection using image analysis and other techniques. Australian Journal of Plant Physiology 18: 637-648, 1991.

STAMPS, W.M.T.; LINIT, M.J. A rapid and simple method for staining lipid in fixed nematodes. Journal of nematology, 27: 244-247, 1995.

STATSOFT, INC. Statistica for Windows [Computer program manual]. Tulsa, OK: StatSoft Inc., 2000. (http//www.statsoft.com).

STONEHOUSE, J. Assessment of andean bean diseases using visual keys. Plant pathology, 43: 519-527, 1994.

SUBBARAO, K.V.; MICHAILIDES, T.J. Effects of temperature on isolates of Fusarium moniliforme causing fig endosepsis and Aspergillus niger causing smut. Phytopathology, 85:662-668, 1995.

TAUBENHAUS, J.J.;EZEKIEL, W.N.; NEBLETTE, C.B. Airplane photography in the study of cotton root rot. Phytopathology, 19: 1025-1029, 1929

TENG, P.S.; JAMES, W.C. Disease and yield loss assessmen. Waller, J.M.; Lenné, J.M.; Waller, S.J. (eds) Plant pathologist's pocketbook. 3nd ed. Egham, CABI Bioscience, 2001. p.25-38.

TODD, L.R.; KOMMEDAHL, T. Image analysis and visual estimates for evaluating disease reactions of corn to Fusarium stalk rot. Plant Disease, 78: 876-878, 1994.

TOMERLIN, J.R.; HOWELL, C.A. DISTRAIN: a computer program for training people for estimate disease severity on cereal leaves. Plant Disease, 72: 155-159, 1988.

TUCKER, C. C.; CHAKRABORTY, S. Configuration of "ASSESS" to measure rust severity on sugarcane and sunflower. Acta Horticulturae. n. 562, 397-400, 2001.

TUCKER, C. C.; CHAKRABORTY, S. Quantitative assessment of lesion characteristics and disease severity using digital image processing. Journal of Phytopathology, 145: 273-278. 1997.

URCHEI, M.A; RODRIGUES, J.D.; STONE, L.F. análise de crescimento de duas cultivares de feijoeiro sob irrigação, em plantio direto e preparo convencional. Pesquisa Agropecuária Brasileira, 35: 497-506, 2000.

VALE, F.X.R. , FERNANDES FILHO, E.I.F.; LIBERATO, J.R. QUANT - A software for plant disease severity assessment. International Congress of Plant Pathology, 8. Christchurch, ISPP, 2003, p.105. (Abstract 8.18).

VALE, F.X.R.; FERNANDES FILHO, E.I.; LIBERATO, J.R. & ZAMBOLIM, L. QUANT. A software to quantify plant disease severity. in: International Workshop on Plant Disease Epidemiology, 8, 2001. Ouro Preto. proceedings. Ouro Preto, International Society of Plant Pathology, 2001. p.160.

VALE, F.X.R.; ZAMBOLIM, L.; CHAVES, G. M. Epidemiologia aplicada ao controle de doenças de plantas. Brasília, ABEAS, 1994. 108p. (ABEAS. Curso de proteção de plantas. módulo 5. Controle de doenças de plantas. Módulo 5.2.)

VANDERPLANK, J.E. Plant disesses: epidemics and control. New York, Academic Press, 1963. 349p.

WATSON, G.; MORTON, V.; WILLIANS, R. Standardization of disease assessment and product performance reporting: an industry perspective. Plant Disease 74:401-402, 1990.

WEBER, G.E.; JÖRG, E. Errors in disease assessment – A survey. Phytopathology 81:1238, 1991. (Abstract 794).

WILCKEN, C.F.; MORAES, R.C.B.; HADDAD, M.L.; PARRA, J.R.P. Técnica de medição de área foliar consumida por insetos através de digitalizador de imagens. Scientiae Agricola, 55, 2, 1998.

101

ZADOKS, J.C. IPM philosophy: an appraisal of pros and cons in botanical epidemiology. in: International Workshop on Plant Disease Epidemiology, 8, 2001. Ouro Preto. proceedings. Ouro Preto, International Society of Plant Pathology, 2001. p.76-88.

ZHANG, N.; WANG, L.; THIERSTEIN, G.E. Measuring nozzle spray uniformity using image analysis. Transactions of the ASAE, 37: 381-387, 1994.

102

ANEXO

DESENVOLVIMENTO DO SOFTWARE QUANT

Serão apresentadas informações sobre o desenvolvimento do QUANT, noções

básicas sobre cores e imagens digitais e os procedimentos disponíveis para que os

usuários possam melhor compreender e aproveitar todo o potencial de uso deste

software.

DIGITALIZAÇÃO E RESOLUÇÃO DE IMAGENS

Imagens podem ser digitalizadas em câmeras de vídeo e fotográfica digitais e

em digitalizadores tipo mesa (“scanner”). Durante o processo de obtenção das

imagens, recomenda-se o uso de uma caixa de isopor forrada de papel cartão de cor

preto fosco, colocada em cima da área de aquisição de imagem do digitalizador tipo

mesa, para que o fundo da imagem digitalizada fosse de cor preto, evitando assim a

formação de um gradiente de cores na borda da folha.

Imagens digitais são consideradas uma matriz de m linhas e n colunas, onde

cada ponto é um retângulo denominado pixel (do inglês picture element - elemento da

imagem) e constitui a menor unidade da imagem, sendo seu limite de resolução, a

qual tradicionalmente é expressa em dpi (do inglês dot per inch – pontos por polegada)

(Figura 1). O pixel contém informação sobre a luz refletida naquela particular parte da

imagem. Em imagens obtidas por meio de digitalizadores tipo mesa, o número de

103

pixels e a área real de cada pixel é função da resolução calibrada previamente no

aparelho (Tabela 1), cujo valor é armazenado no arquivo da imagem e,

posteriormente, reconhecido automaticamente pelo QUANT. Assim, em imagens

obtidas via digitalizadores de mesa, é possível determinar as reais medidas lineares

ou de área. Em imagens obtidas por câmeras digitais, o tamanho real do pixel

depende da distância do objeto fotografado. Então, é necessário ter um objeto de

tamanho conhecido (por exemplo, uma régua) junto ao principal objeto a ser

fotografado. Isso permitirá que o usuário do QUANT determine a resolução da imagem

e obtenha as reais medidas da imagem.

O Quant pode processar diferentes formatos de imagens, sendo os mais comuns

TIFF, JPEG e BMP (Windows bitmap).

TAMANHO DO ARQUIVO DA IMAGEM

O processo de digitalização da imagem associa um valor discreto (inteiro), entre

0 a 2m-1, a cada pixel de uma imagem em tons de cinza. Onde m é o número de bits

da imagem (profundidade do pixel). Cada valor corresponde a um nível de cinza.

Atualmente, a maioria dos equipamentos de digitalização de imagens possibilita 8 bits.

Mas alguns já disponibilizam valores maiores. Em imagens de 8 bits, cada pixel pode

assumir valores entre zero e 255, onde zero, corresponde ao preto, 255, ao branco, e

os demais valores, a diferentes tons de cinza (Gonzales & Woods, 2000; Marques

Filho & Vieira Neto, 1999). Para imagens coloridas no sistema RGB, para cada uma

das três coordenadas de cores ao atribuídos 8 bits e a imagem é dita possuir 24 bits.

Esse tipo de imagem pode possui até 2563 cores.

O tamanho do arquivo das imagens digitais é medido em bytes (b), que é a

menor unidade de informação, sendo função do número de pixels da imagem e do

número de bits associados a cada pixel (Marques Filho & Vieira Neto, 1999). Um byte

equivale a 8 bits e 1 Kbyte (Kb) equivale a 210 bytes (= 1024 bytes) (Tabela 2).

PERCEPÇÃO E REPRESENTAÇÃO DE CORES

Radiações eletromagnéticas com comprimento de onda de cerca de 400 a 700

nm podem ser detectadas pelos fotorreceptores do olho humano e são denominadas

luz (Kuehni, 1997). A radiação global solar que atinge a superfície da terra tem

comprimento de onda variando entre cerca de 300 e 3.000 nm, sendo que a luz

representa cerca de metade dessa radiação incidente (Goudriaan & Van Laar, 1994).

104

Figura 1 – Imagem original (microfotografia de agregados vistos em microscópio ótico)

e detalhe desta, mostrando os pixels. Fonte: Viana (2001), com permissão.

Tabela 1. Área representada por cada pixel em uma imagem obtida via scanner, em

função de diferentes resoluções

Resolução (dpi)* Pixels / cm2 Lado do pixel (mm) Área do pixel (mm2)

75 872 0,339 0,1147

100 1.550 0,254 0,0645

150 3.488 0,169 0,0287

200 6.200 0,127 0,0161

250 9.688 0,102 0,0103

300 13.950 0,085 0,0072

600 55.800 0,042 0,0018

* dpi – pixels por polegada linear (1 polegada = 2,54 cm). Tabela 2. Tamanho (Kb) de arquivos para 1 cm2 de imagem, em função da resolução

Dpi1 Tipo de imagem

75 100 200 300 600

Imagens em tons de cinza2 0,85 1,51 6,05 13,62 54,49

imagens RGB 3 2,55 4,54 18,16 40,87 163,48 1 dpi = pixels por polegada linear. 2 8 bits; 3 24 bits.

105

Cor é uma sensação resultante da interação entre luz, materiais e o sistema

visual – olho e cérebro. As diferentes percepções do comprimento de onda dominante

são descritas com nomes de cor: azul, amarelo, verde, roxo, verde, laranja etc. A

retina do olho humano contém dois tipos de receptores foto-sensível, denominados

bastonetes e cones, sendo seis a sete milhões de cones, responsáveis pela visão

colorida e 75 a 150 milhões de bastonetes que não distinguem cor, mas são sensíveis

a baixos níveis de iluminação (Marques Filho & Vieira Neto, 1999; Gonzalez & Woods,

2000). Cada cone possui um dentre três diferentes fotorreceptores com picos de

sensibilidade a comprimentos de onda de luz que nós denominamos vermelho (580

nm) (sensor ρ), verde (540 nm) (sensor γ) e azul (450 nm) (sensor β). A luz em

qualquer comprimento de onda do espectro visível (400 a 700 nm) excita um ou mais

desses conjuntos de sensores. A percepção de qual cor está sendo vista é

determinada por qual combinação de sensores está sendo excitada e pela intensidade

da excitação. O maior número de sensações de cores pode ser obtido escolhendo três

comprimentos de onda de cores primárias que, quando misturadas em proporções e

intensidade variadas, permite a obtenção de todas as outras.

O QUANT utiliza dois modelos para representar numericamente as cores: RGB e

HSV.

O modelo RGB de cores

O modelo RGB assume que o sistema visual humano possui três diferentes tipos

de fotorreceptores, que definem um espaço tridimensional (cubo) de cores, onde cada

cor é representada por um ponto nesse espaço. Este cubo tem o branco como um

vértice diretamente oposto ao preto, e três cores primárias (vermelho (R), verde (G) e

azul (B)) como arestas. Cada eixo representa uma luz primária, com escala de valores

discretos entre zero e 255, dependendo da intensidade luminosa. Cada ponto no cubo

representa uma cor, que possui três coordenadas (R, G e B) (Marques Filho & Vieira

Neto, 1999). Neste modelo são disponibilizados oito bits para cada coordenada e a

imagem colorida tem 24 bits. Assim, existem 2563 (= 23m) cores, ou seja, 16.777.216

de cores distintas (Figura 2). Valores zero para as três coordenadas representam o

preto, valores de 255 representam o branco e valores iguais entre 1 e 254,

representam o cinza. Assim, existem 254 tons de cinza. Coordenadas diferentes

representam diferentes cores. RGB é conhecido como modelo aditivo. As demais

cores podem ser obtidas misturando-se as três cores básicas, azul, verde e vermelho,

em várias proporções e intensidades.

106

Figura 2. Representação gráfica do modelo RGB de cores. O modelo HSV de cores

Esse modelo possui três atributos: matiz ou tonalidade (H), saturação (S) e value

(valor) (V) (Kuehni, 1997).

Matiz (hue): é um atributo de uma percepção de cor, um aspecto qualitativo

indefinível. São os nomes tradicionais das cores de um específico comprimento de

onda. (ex: vermelho, laranja, verde ou azul). Todas as cores do espectro são matizes.

Existem limitados nomes de matizes: vermelho, laranja, amarelo, verde, azul e violeta.

Magenta e ciano também são matizes. Existem cores sem matiz, denominadas

acromáticas: branco, preto e cinzas. Todas as demais cores são denominadas

cromáticas e tem matiz. As matizes são organizadas em um círculo de cores, onde os

números matizes (1 a 360) descrevem a posição da cor no espectro. Diferentes

comprimentos de ondas monocromáticos são diferentes matizes.

Saturação: é a quantidade de pureza da cor. Varia de 0 (cinza) a 100%

(completamente saturada). Uma vez determinada a matiz (tonalidade) de uma cor,

pode-se alterá-la através da mistura com a cor branca. Quanto menos branco a cor

contém, mais saturada ela é.

“Value”: corresponde à intensidade da cor, mensurado de zero (preto) a

100%. O valor de 100% é a maior intensidade que uma cor pode ter, em uma

particular saturação. Só corresponde ao branco quando a saturação for zero.

107

Este modelo de cores é usado na maioria dos “dialógos” de seleção de cores, de

softwares de computadores que processam imagens.

Conversão entre os modelos de cores RGB e HSV

Seja uma imagem digital uma matriz com m x n pixels, onde Pij é o pixel da i-

ésima linha (i = 1, 2, ... m) e da j-ésima coluna (j = 1, 2, ... n). Seja Rij, Gij, Bij, Hij, Sij e

Vij, os valores de coordenadas de cores para o pixel Pij, respectivamente, vermelho,

verde e azul (modelo RGB), matiz (hue), saturação e value (modelo HSV), onde 0 ≤ Rij

≤ 255, 0 ≤ Gij ≤ 255, 0 ≤ Bij ≤ 255, 0 ≤ Hij ≤ 360, 0 ≤ Sij ≤ 255 e 0 ≤ Vij ≤ 255.

Os valores de RGB podem ser convertidos em HSV.

Vij = máximo (Rij, Gij, Bij).

Sij = [máximo (Rij, Gij, Bij) - mínimo (Rij, Gij, Bij)] x 255 / Vij.

Logo, se Rij = Gij = Bij, então Sij = 0, ou seja, as cores acromáticas, branco,

preto e os 254 tons de cinza possuem saturação zero.

Se máximo (Rij, Gij, Bij) = Rij, então:

Hij = 60 x (Gij - Bij) / [máximo (Rij, Gij, Bij) - mínimo (Rij, Gij, Bij)].

Se máximo (Rij, Gij, Bij) = Gij, então:

Hij = 120 – {60 x (Bij - Rij) / [máximo (Rij, Gij, Bij) - mínimo (Rij, Gij, Bij)]}.

Se máximo (Rij, Gij, Bij) = Bij, então:

Hij = 240 + {60 x (Rij - Gij) / [máximo (Rij, Gij, Bij) - mínimo (Rij, Gij, Bij)]}.

Logo, se Sij = 0, então Hij = 0, ou seja, o branco, o preto e os tons de cinza não

possuem matiz, nem saturação.

O SOFTWARE QUANT

O software QUANT (linguagem Delphi, ambiente Windows) tem como principal

objetivo segmentar objetos em imagens digitais, para quantificar dimensões. No caso

da avaliação de severidade de doenças em folhas, são segmentados o fundo da

imagem (a área da imagem não ocupada pela folha), tecido sadio, clorótico e

necrótico. O QUANT fornece a área foliar sadia e doente (clorótica, necrótica e, para

algumas doenças, área com esporulação fúngica), a severidade, bem como o número,

tamanho, forma e posição das lesões na folha.

A quantificação é uma mera contagem do número de pixels com cada cor e sua

conversão em área. O sucesso do uso do QUANT (alta acurácia na estimativa da

severidade de doença) depende do processo de segmentação de objetos. O QUANT

108

possui cinco procedimentos (técnicas) de segmentação: a) limiar preto e branco

(threshold); b) seleção de cores por paleta; c) por intervalo de coordenadas de

modelos de cores (RGB ou HSV); d) por amostragem de cores e e) por meio de

funções discriminantes. Os quatro primeiros procedimentos permitem que o usuário

faça a redução de cores que considerar mais eficiente. O uso de funções

discriminantes permite a automação do processamento da imagem, tornando-o bem

mais rápido.

Em muitos casos, previamente à segmentação, é necessário melhorar o

contraste entre os objetos (por exemplo, entre a área foliar doente e sadia). Para tanto,

o QUANT disponibiliza um grande numero de procedimentos, a maioria dos quais

foram utilizados neste estudo e são descritos a seguir.

Alteração da Qualidade de imagens digitais

Há imagens em que o sistema visual humano tem dificuldade de distinguir entre

os objetos a serem segmentados ou então resultados inadequados são obtidos na

segmentação de objetos na imagem original. Por exemplo, há doenças de plantas nas

quais a segmentação entre área foliar sadia e lesionada é difícil. Para esses casos, o

QUANT disponibiliza grande número de técnicas e opções para melhorar a qualidade

da imagem previamente à sua segmentação. O principal objetivo dessas técnicas é

processar uma imagem de modo que a imagem resultante seja mais adequada que a

original para uma aplicação específica (Marques Filho & Vieira Neto, 1999), no caso a

separação entre as áreas do fundo da imagem, a área foliar sadia e a área lesionada.

Estas técnicas conferem ao usuário do QUANT grande vantagem em relação ao uso

de outros softwares de processamento de imagens. Algumas operações de melhoria

da qualidade de imagens são apresentadas na Tabela 4.

O filtro da mediana é usado para reduzir o ruído em imagens digitais,

melhorando sua qualidade. A partir de uma imagem P, as coordenadas de cores de

cada pixel Qij da nova imagem Q são calculadas em função de Pij e seus vizinhos.

Dado um pixel Pij e os pixels que o circundam:

Pi-1, j–1 Pi-1, j Pi-1, j+1

Pij–1 Pij Pij+1

Pi+1, j–1 Pi+1, j Pi+1 j+1

O valor do pixel Qi,j na nova imagem será definido pela mediana dos valores desses

nove pontos. A mediana é obtida ordenando-se (ordem crescente ou decrescente) os

109

nove pontos em um vetor e tomando o valor do ponto que está na posição central do

mesmo (Marques Filho & Vieira Neto, 1999). No exemplo abaixo, o valor do pixel na

nova imagem será X5. Esse procedimento é feito com cada uma das três coordenadas

de cores RGB.

Qi,j

X1 X2 X3 X4 X5 X6 X7 X8 X9

Técnicas de segmentação de objetos em imagem digital

O QUANT disponibiliza cinco técnicas de segmentação de objetos em imagens. O

usuário poderá escolher a que melhor se adequar às suas necessidades, em termos

de rapidez, acurácia etc. Essas técnicas são descritas a seguir.

a) Limiarização (threshold)

O processo de limiarização consiste em separar os pixels da imagem em duas

classes, resultando em uma imagem binária (preto e branco) (Marques Filho & Vieira

Neto, 1999). Para cada pixel Pij da imagem original P, calcula-se um valor Tij, que

corresponde à luminância:

Tij = (0,2 x Rij + 0,7 x Gij + 0,1 Bij), sendo 0 ≤ Tij ≤ 255.

Neste procedimento define-se um valor limite (limiar, threshold), de modo que na

imagem resultante Q, o valor das coordenadas de cores para cada pixel Qij será:

Se o limiar ≤ Tij (Pij), então Qij será um vetor R*ij = G*ij = B*ij = 255 (branco absoluto).

Se o limiar > Tij (Pij), então Qij será um vetor (1 x 3) onde R*ij = G*ij = B*ij = 0 (preto

absoluto).

A imagem Q terá duas cores e o QUANT fornecerá a área ocupada por cada

uma.

110

Tabela 4. Algumas operações de melhoria de qualidade de imagens disponíveis no

QUANT, considerando cada pixel Pij, como um vetor (1 x 3) de cores [Rij,

Gij, Bij]

Imagem Valores de coordenadas de cores nas imagens

resultado

Original Rij, Gij, Bij

Após contraste raiz (255 Rij)1/2; (255 Gij)

1/2; (255 Bij)1/2

Após contraste quadrado Rij2 / 255; Gij

2 / 255; Bij2 / 255

Após contraste logaritmo 255 (ln Rij) / ln 255; 255 (ln Gij) / ln 255; 255 (ln Bij) / ln 255;

Após negativo 255 - Rij; 255 - Gij; 255 - Bij;

Após filtro excluir brilho

Se Bij ≥ 200, então não há alteração;

Se Bij < 200, então:

Bij* = 10; Rij* = Rij - Bij / 2; Gij* = Gij - Bij / 2, sendo

Rij* = 0 se Rij* < 0 e Gij* = 0 se Gij* < 0;

Após filtro mediana Rij* = o valor mediano de R de Pij e dos oito pixels vizinhos.

Idem para Bij* e Gij*

Canal vermelho Rij, Rij, Rij

Canal verde Gij, Gij, Gij

Canal azul Bij, Bij, Bij

Canal ciano Rij* = Gij* = Bij* = Cij, onde Cij = máximo (Gij, Bij) - Rij

Canal magenta Rij* = Gij* = Bij* = Mij, onde Mij = máximo (Rij, Bij) - Gij

Canal amarelo Rij* = Gij* = Bij* = Yij, onde Yij = máximo (Rij, Gij) - Rij

Canal black Rij* = Gij* = Bij* = Kij, onde Kij = mínimo (255 - Rij, 255 - Gij; 255

- Bij)

Canal hue (matiz) Hij*= 0 ; Sij* = 0 e Vij* = 0,7 Hij

Canal saturação Hij*= 0 ; Sij* = 0 e Vij* = Sij

Canal value Hij*= 0 ; Sij* = 0 e Vij* = Vij

Soma entre imagem P(1) e P(2)

Rij* = Rij (1) + Rij (2); Gij* = Gij (1) + Gij (2); Bij* = Bij (1) + Bij (2);

Sendo Rij* = 255 se Rij* > 255; Gij* = 255 se Gij* > 255; Bij* =

255, se Bij* > 255

Média entre imagem P(1) e P(2) Rij* = [Rij (1) + Rij (2)] / 2; Gij* = [Gij (1) + Gij (2)] / 2; Bij* = [Bij (1) +

Bij (2)] / 2

* Rij*, Gij*, Bij* Hij*, Sij* e Vij* são os valores da imagem resultado e Rij, Gij, Bij, Hij, Sij e Vij

os valores da imagem original.

111

b) Seleção de cores por paleta;

Pode-se reduzir o número de cores da imagem original para três ou mais cores,

as quais serão representados por paletas de cores em uma caixa-dialógo a parte.

Clicando-se com o mouse sobre uma paleta de cor, selecionam-se automaticamente

os pixels da imagem com esta cor, alterando sua cor para uma cor pré-determinada.

Para este método ser eficiente, o número de cores não deverá ser muito pequeno ou

muito grande. Inicialmente, recomenda-se a redução para 32 a 64 cores.

c) Seleção de cores por intervalo de coordenadas de modelos de cores

Marca-se uma área de interesse na imagem, de cujos pixels são obtidos os

valores máximo e mínimo das coordenadas RGB ou das HSV. Pode-se então alterar

para uma cor pré-determinada todos os pixels da imagem cujas coordenadas são

abrangidas pelos intervalos de cores selecionados. Ou ao contrário, alterar a cor de

todos os pixels cujas coordenadas não são abrangidas pelos intervalos.

d) Seleção de cores por amostragem de cores

Clica-se com o mouse sobre um pixel Pij da imagem, o qual tem sua cor alterada

para uma cor pré-determinada pelo usuário. Todos os demais pixels da imagem com

as mesmas coordenadas RGB de cores serão simultaneamente selecionados. Porém,

existem 2563 cores e uma imagem com resolução de 300 dpi possui 13924 pixels /

cm2. Portanto, provavelmente apenas uns poucos pixels (ou somente um) terão as

mesmas coordenadas de cores. Para viabilizar o uso desse método, o usuário pode

especificar um valor de tolerância entre 0 e 255, o que permitirá selecionar

simultaneamente outros pixels com coordenadas de cores semelhantes. Quando se

clica sobre um pixel, Pij, simultaneamente cada um dos demais pixels Pi'j' (i' = 1, 2, ...

m; j' = 1, 2, ... n; i' ≠ i ou j' ≠ j) da imagem são comparados com esse pixel inicialmente

selecionado:

Se máximo (Rij - Ri'j'; Gij - Gi'j'; Bi'j' - Bi'j') ≤ valor da tolerância, então o pixel Pi'j'

também é selecionado e sua cor alterada para a cor pré-determinada.

e) Seleção de cores por meio de funções discriminantes

De várias imagens representando uma mesma doença, selecionam-se várias

áreas da lesão e obtêm-se os valores RGB e HSV dos pixels selecionados. Repete-se

112

o procedimento com relação à folha sadia e ao "fundo da imagem". A partir desses

dados, gravados em um arquivo tipo texto, com o uso de um software de estatística,

estimam-se funções lineares discriminantes, normalmente três: uma para lesão, uma

para folha sadia e outra para fundo da imagem. Essas funções são usadas no

QUANT, permitindo a redução automática do número de cores da imagem, uma cor

para cada uma das três funções discriminantes (FD). Sejam as seguintes FDs:

FD1 (lesão, cor um) = a1 Rij + b1 Gij + c1 Bij + d1 Hij + e1 Sij + f1 Vij.

FD2 (folha sadia, cor dois) = a2 Rij + b2 Gij + c2 Bij + d2 Hij + e2 Sij + f2 Vij.

FD3 (fundo da imagem, cor três) = a3 Rij + b3 Gij + c3 Bij + d3 Hij + e3 Sij + f3 Vij.

Onde, a, b, c, d, e e f são os coeficientes das funções discriminantes e Rij, Gij, Bij, Hij, Sij

e Vij, são os valores das coordenadas de cores de cada pixel Pij, para cada um dos

quais são calculados três valores descriminantes (FD1, FD2 e FD3). O maior valor

obtido determinará a nova cor do pixel na imagem resultante Q. Por exemplo, se para

Pij, FD1 > FD2 e FD1 > FD3, então Qij terá a cor um.

f) Seleção de áreas com o uso da "varinha mágica de seleção"

Este método é semelhante ao método de seleção de cores por amostragem

(item d). Clica-se com o mouse sobre um pixel Pij da imagem, o qual será selecionado.

Apenas os oito pixels vizinhos serão comparados com o pixel selecionado,

considerando um valor de tolerância entre zero e 255, pré-determinado pelo usuário

do QUANT. Isto permitirá selecionar simultaneamente pixels vizinhos com

coordenadas de cores semelhantes. Quando se clica sobre um pixel, Pij,

simultaneamente cada um dos oito pixels vizinhos Pi'j' (i' = 1, 2, ... m; j' = 1, 2, ... n; i' ≠ i

ou j' ≠ j; i' = i ± 1 e j' = j ± 1) são comparados com esse pixel inicialmente selecionado:

Se máximo (Rij - Ri'j'; Gij - Gi'j'; Bi'j' - Bi'j') ≤ valor da tolerância, então o pixel vizinho

Pi'j' também é selecionado.

Cada novo pixel incluído na seleção tem os seus pixels vizinhos comparados

com o primeiro pixel selecionado Pij, segundo o critério acima. Desta maneira, uma

área de pixels contíguos pode ser selecionada e as cores de seus pixels alteradas

para uma única cor.

DESENVOLVIMENTO E AVALIAÇÃO DO SOFTWARE QUANT PARA ... · ix RESUMO LIBERATO, José Ricardo, D.S....

Documents

Transcript of DESENVOLVIMENTO E AVALIAÇÃO DO SOFTWARE QUANT PARA ... · ix RESUMO LIBERATO, José Ricardo, D.S....